光学遥感影像特定目标识别一直是遥感应用领域研究热点之一。在传感器技术和航空航天事业稳健快速的发展势头下,遥感影像分辨率大幅提升,目前光学遥感影像的空间分辨率高达0.3m,在此分辨率下目标的轮廓和纹理信息更为丰富,物体结构比合成孔径雷达成像更接近人眼视觉感知的目标特点,为目标识别提供更多的细节信息。因此,研究光学遥感图像的目标识别技术对提高遥感目标识别技术具有重要的理论和实用价值。本文课题来源于《多视角下光学图像配准与对象变化检测技术研究》项目,以飞机、船舶、储油罐、港口、桥梁、车辆等十类典型人造目标作为识别对象,对光学遥感影像特定目标识别算法进行研究,以满足更高识别精度和速度的应用需求。本文主要工作如下:(1)将Faster R-CNN算法应用于光学遥感影像的目标识别任务,结合具体的遥感目标识别任务作出应用层面的适应改变,针对光学遥感影像颜色纹理干扰、旋转变化及形似干扰物的影响因素对训练数据进行翻转、平移、旋转、色彩抖动等八种增强处理,证明了扩大样本数和迁移学习对模型训练成果的显著提升性,实现了平均精度为71.2%的遥感多类目标地物的识别检测。(2)将YOLO v2算法应用于光学遥感影像的目标识别任务,采用联合训练机制先利用遥感分类数据集训练出Top-5准确率达到88.2%的分类网络,再使用其前23层的权重参数训练出可以一次性预测多个边界框位置和类别的识别器,检测时间为15ms/image左右,识别速度可以达到67FPS(Frames Per Second),满足实时检测需求。将数据量更丰富的分类数据与标注信息更完善的识别数据结合起来训练,大大降低了训练的人工成本同时扩展了模型的可识别范围。