随着深度学习技术近年来的不断发展,计算机视觉技术也与其进行了结合,得到了飞速的发展。而目标识别是计算机视觉领域非常重要的一个部分,因此基于深度学习的目标识别技术是一个非常有价值的研究领域,并已取得诸多研究成果。在遥感图像中,对车辆目标的有效识别具有重要的意义,尤其在交通调控领域和军事侦察领域有更高的应用价值。本文采用基于深度卷积神经网络的目标识别算法,对日间和夜间航拍图像中的车辆目标进行了有效的识别,并利用迁移学习解决了数据量不足的问题。论文的主要贡献如下:(1)对中国科学院航拍数据集进行整理,并从谷歌地图上补充搜集数据集对其中的车辆目标的位置信息进行了标注。在Ubuntu16.04系统下搭建Caffe深度学习框架,并应用Faster R-CNN算法对日间航拍车辆进行有效识别。(2)利用无人机搜集并标注了夜间航拍数据集,并选取了基于Rtinex的迭代算法对其处理以减弱光照的影响,便于与源域数据集进行迁移学习。(3)使用条件生成对抗网络对夜间航拍图像进行预处理,用以代替Retinex迭代算法,这样可以大幅降低处理时间,极大加快预处理的速度,便于快速目标检测的进行。(4)在夜间数据集上应用迁移学习解决了数据量不足的问题,快速而有效地识别了航拍的车辆目标。并通过对比实验证明了该种迁移学习方法的有效性。