遥感是一种对地观测的综合性技术,广泛的运用于环境监测、城市规划、资源调查等多个领域。随着卫星遥感技术的发展,其数据量和信息量都呈现出快速增长的趋势,信息量的增加使得遥感图像的细节更加丰富。因此,遥感图像的处理变得更加复杂,如何对海量多维度高分辨率遥感图像进行物体识别已经成为了该领域研究的热点。近年来,卷积神经网络在图像处理领域取得巨大突破,该方法拥有自动化的特征提取和特征表示能力,大幅提升了物体识别准确率。但是,该方法仍存在特征表达能力不足和决策信息不充分等问题,其中特征表达能力不足表现在高层和低层两方面:高层特征表示的信息较抽象,只能表达出较粗糙的整体信息;低层特征表示的信息较具体,无法有效概括各类物体的特征。决策信息不充分的问题是由于模型在各个阶段所产生特征图的感受野是不同的,不同感受野所获得的全局信息和上下文信息存在着较强的相关性,而一般的方法只考虑最终特征图。因此,本文提出了基于空间金字塔池化及基于编码器解码器的两类全卷积神经网络模型,并利用多维度图像信息完成了统一的多物体识别任务,主要研究成果如下:针对特征表达能力不足的问题,设计实现了基于空间金字塔池化方法的模型,主要对高层特征进行强化。该模型通过多尺度全局平均池化对特征图进行处理,生成多种具有不同感受野的特征图,通过融合操作获取到更多的全局信息,从而增强了高层特征的表达能力。实验结果表明该模型将总体识别精度提高了两个百分点,有效的提升了高层特征的表达能力。针对特征表达能力不足的问题,设计实现了基于多路径强化方法的模型,对多个层次的特征进行了强化。通过采用编码器解码器结构提供低层信息,并使用多路径强化方法对多个层次的特征图进行卷积、池化和融合等操作,使其更具表达能力。在实验中获取了较高的小物体识别率,有效的解决了低层、中层和高层特征表达能力不足的问题。针对决策信息不充分的问题,设计实现了基于二阶特征融合方法的模型。该模型采用编码器解码器结构提供低层信息,将编码器所产生的特征图与反卷积操作所产生的特征图进行第一阶段的融合来强化特征图表达能力,对模型在重建阶段所产生的特征图进行第二次融合来获取更多的决策信息。实验结果表明该模型在决策阶段融合了大量的有效信息,有效的提升了物体的识别准确率。