当今社会利用深度学习对遥感图像进行目标识别和大数据的分析已经逐渐成为一种趋势。传统针对破坏边缘信息的迷彩设计方式,是一种针对特定背景的通用网络的设计算法,无法保证对指定检测网络的效果,也无法迁移到其他背景上。针对上述问题,本课题提出了一种基于生成对抗网络的新的目标伪装设计方式,针对指定目标检测网络生成伪装迷彩图,实现对目标检测网络的定向欺骗。本课题以遥感图像和检测的网络特点为研究背景,围绕遥感图像中目标的伪装图设计方法展开研究,以深度学习中目标检测网络、生成对抗网络、风格迁移网络技术为核心,在现有的研究基础上进行改进和创新,设计了遥感图像的伪装迷彩图生成系统。本课题通过生成对抗的方式来完成伪装迷彩图像的生成流程。近年来,通过生成对抗方式来攻击神经网络取得了不错的效果,本课题将其引入并取得了不错的效果。针对多背景下迷彩图通用性的问题,采用基于风格迁移网络的方法,实现目标与多背景融合,提升了伪装迷彩图的泛用性。针对遥感图像目标尺度变化大、纹理相对模糊的特点,本课题设计了卷积层噪声融合和多类别热图引导来提升检测网络的准确率。通过提取特征层引入噪声来提升检测网络鲁棒性,提升网络对弱纹理目标的表现。同时用热图标签引导网络定向拟合,提升拟合速度和效果。针对伪装生成流程时间过长,同时精细化程度要求较高的情况,本课题设计了生成网络的结构和损失函数,采用跳层连接和分离的位置、类别损失设计,减少迭代次数的同时提高生成的精细度。避免了单次训练的时间过长,和生成效果的不佳的情况,提高了伪装图的生成速度和效果。针对伪装图泛用性的问题,这里采用风格迁移的背景融合方案,采用最优的背景融合策略,有效扩充了目标背景种类,减轻伪装迷彩对于特定背景和目标种类的依赖。