特征的有效表示与学习一直是机器学习分类或识别任务中的核心环节，在遥感图像处理两大基本任务一地物分类与目标检测中亦是如此。传统SAR图像地物分类和光学遥感目标检测手工设计的特征提取方法对地物或人造目标特征刻画不够准确，引起判别性不足导致分类或检测性能不理想。基于此，论文立足于探索深度学习方法在处理上述两个任务中的效果，并期待将获取的经验推广至遥感理解与解译领域的更多任务中。就本文思路而言，从多样化任务的本质需求出发，针对不同遥感数据，利用深层网络强大的特征表示能力，适度结合传统方法的优势，探索自动和全面的特征学习方式，增强特征刻画的准确性和判别性，尽可能取得快速、准确的分类和检测效果。具体而言，进行研究的内容如下：
　　1．首先是关于高分辨SAR场景地物分类的研究。实际SAR场景中，一方面准确标记的图像数据十分稀缺，如何从无标记数据中进行有效特征学习是一大难题；另一方面传统贪婪逐层网络训练制约特征学习能力以及大场景中信息冗余限制特征高效表示都不可避免的降低特征的判别性。针对以上问题，第二章提出一种基于块排序的无监督稀疏特征学习框架，在预训练阶段构建逐层无监督的自编码器实现对空间和周期双重稀疏特征的学习，并制定适合SAR图像块的比值排序策略实现高效准确的网络训练，实现从原始SAR图像提取高水平的判别性特征，促进分类性能的提升。
　　2．第二章从克服标记稀缺、训练低效、信息冗余等缺陷的角度挖掘空间特征提取方法的潜力，但无法弥补空间特征提取方法特征模糊、解释性差的固有缺陷。第三章针对现有基于图像空间内容的SAR特征提取方法无真实SAR特性引导，所学特征可解释性弱，判别性不足的缺陷，构建基于分布和结构匹配的生成对抗网络实现自动、精确的分布建模和明确导向的特征学习。具体而言，在真实数据分布与空间结构特征共同约束下提升生成器对真实地物建模的精度，并通过提出的样本真伪和类别双重对抗学习策略，促使判别器学到与生成器等水平的高度判别性特征，实现SAR图像像素级统计特征和语义级空间特征互相融合和促进，共同贡献于分类任务。
　　3．接下来对光学遥感图像中的目标检测任务展开研究。对于缺乏颜色信息和低对比度的高分辨全色图像，单阶段目标检测方法对部分目标预测置信度低，易被错误排除，降低目标的召回率，同时与真实目标尺寸不符的预测框会带来错误的识别，提升目标的虚警率。针对这两大缺陷，第四章提出基于精修单点多盒检测器RSSD的多步骤目标检测框架。首先用速度和精度兼顾的SSD模型做初步的预测，然后构的置信度，从而消除目标与背景之间的模糊性，最后通过构建类别特异空间模板清除不匹配目标真实特性的错误候选。通过以上三个功能紧凑且互补模块的联合作用，提升检测精度的同时保持原有单阶段目标检测模型的速度优势。
　　4．第四章依照目标外在形式符合认知的思路在一定程度上解决检测置信度低、虚警率高的难题，但未触及传统anchor检测方法特征不匹配、定位度量不准确的固有缺陷。面对高分辨遥感场景中目标外观、尺寸及朝向变化多样，一方面传统基于水平框候选区域的目标检测方法不能完整捕获目标特征，降低了目标分类精度。另一方面，传统衡量预测框准确度的IoU指标无法准确反馈定位状态和精度，制约目标定位速度和精度。针对以上两大难题，第五章提出自适应anchor的目标检测框架，首先学习得到量少质高且尺度方向任意的anchor，减少冗余计算的同时准确提取不同尺度和方向的目标特征。与此同时，提出OIoU指标全面度量预测框与真实框各种情况下的差异，优化网络训练。最终依据上述模块构建多层次损失函数准确控制模型学习，在分类和定位两方面同时提升检测性能.