遥感是空间信息技术中获取数据的主要来源,同时也是获取军事信息与情报等重要数据的来源。一般来说,从遥感卫星传感器上获取的遥感数据是无法直接进行使用的,需要经过某些技术的处理和解译后才能成为具有应用价值的信息。近年来,遥感卫星技术的迅速发展使得所获得的遥感数据具有海量、高分辨率等特点,但由于传统的解译方法存在着不能将海量高分辨率遥感图像中所包含的有价值信息充分利用的问题,因此对于高分辨率遥感影像智能解译技术的研究有了更高的要求。在此背景下,本文以高分辨率遥感影像为研究对象,针对智能解译领域中目标检测和场景分类两个子任务目前存在的问题,结合深度学习技术分别进行了研究,并在此基础上设计遥感图像智能解译软件以实现人机交互功能。本文的主要研究内容如下:（1）针对遥感图像中存在的目标尺寸小、背景复杂等特点,为解决目前已有的目标检测算法在应用于遥感图像时对小尺寸目标存在着检测效果差的问题,本文提出一种基于改进FasterR-CNN的遥感图像目标检测模型。首先使用原始的FasterR-CNN目标检测模型进行实验,通过可视化特征图对所得结果中检测精度较低的目标类别进行分析,然后针对遥感图像中小尺寸目标在高层特征中已经很难提取到有效特征信息这一原因,设计一种特征融合模块对高层特征进行融合来改进特征提取网络以得到更多有利于小尺寸目标进行检测的特征信息,最后将得到的融合特征图输入后面的网络中继续训练模型。为了对本文中提出的改进模型的检测性能进行评估,在NWPU VHR-10和DOTA两种数据集上分别进行训练与测试并将得到的结果与其他经典目标检测方法对比。实验结果表明,该模型取得了更好的目标检测效果。（2）针对遥感图像中存在的场景涵盖信息多、类别复杂等特点,为解决中底层特征无法对图像场景语义信息进行准确且有效表示的问题,本文提出一种基于卷积神经网络的遥感图像场景分类模型。首先通过实现设置不同参数的对比实验并分析结果对卷积神经网络模型结构中的卷积层层数、卷积核大小及学习率等参数进行选择,然后利用正则化和dropout层对模型参数进行调整,最后确定模型的具体结构。为了对本文中提出的模型的分类性能进行评估,在UCMercedLandUse和NWPU-RESISC45两种数据集上对提出的模型分别进行训练与测试并将得到的结果与其他经典场景分类方法进行对比。实验结果表明,该模型取得了更好的场景分类效果。（3）为了面向高分辨率遥感影像智能解译的实际应用,进一步实现人机交互功能以方便用户的使用,本文设计了一款遥感图像智能解译软件。首先在PyCharm开发平台上使用PyQt5+Python搭建图形用户界面,然后通过编程实现各模块的具体功能,主要包括用户登录模块、目标检测模块、场景分类模块,最后对软件进行了相关测试。结果表明,该软件可以基本满足用户需求。