遥感图像特定目标检测一直是图像处理领域研究的热点之一。分米级可见光遥感图像能够获取米级可见光图像所缺失的纹理细节信息,物体结构比SAR图像等更接近人眼视觉感知的目标特点,但是数据量也远高于以往的遥感图像。因此,需要研究能够适应分米级可见光遥感图像特点的在线目标检测算法,满足更高精度和速度的遥感图像处理需求。本文课题来源于中科院合作项目《光学遥感图像复杂目标处理系统》,将遥感图像中车辆目标作为检测对象,对分米级可见光大幅面遥感图像特定目标在线检测算法进行研究,完成了以下几项工作：对分米级分辨率遥感图像特定目标检测算法进行了全面的综述研究,根据分米级遥感图像数据量大、目标结构清晰的特点,提出了特定目标检测算法的框架：首先对原始遥感图像进行快速筛选,找到疑似目标窗口；然后对候选窗口采用高精度复杂分类器进行检测,剔除负样本,得到真实目标。本文主要对候选目标快速提取算法和复杂分类器检测算法进行研究,并在8核DSP平台上实现了遥感图像特定目标的在线检测。原始大幅面遥感图像拥有海量的数据,使用复杂分类器直接处理,计算量大,效率低,本文采用基于置信度联合校准的候选目标快速提取算法得到目标的候选窗口。算法首先采用多阈值二值化梯度范数提取通用目标特征,然后采用级联支持向量机计算候选窗口附近区域置信度,使用多个高置信度分值校准目标位置。通过在慕尼黑车辆公开数据库上的实验表明,基于置信度联合校准的候选目标快速提取算法在检测率为98.6%时,生成的窗口数量为滑动窗口算法的1/14,有效降低了后续复杂分类器的处理负担。初步筛选出的候选窗口中存在较多负样本,本文采用基于多阈值最大梯度范数预处理的深度卷积神经网络剔除负样本,得到真实目标。检测算法先计算遥感目标在多个阈值下的最大梯度范数图,增强目标被树木和建筑物阴影遮挡时的轮廓；然后采用深度卷积神经网络提取样本的深层不变性特征,使用Caffe模型训练和测试网络,减少训练周期。基于多阈值最大梯度范数预处理的深度卷积神经网络检测算法增强了目标被干扰时的边缘轮廓,对于平移、旋转和缩放具有更好的鲁棒性。传统的深度卷积神经网络采用max-pooling提取图像固定尺度下的特征,难以兼顾目标的整体和细节信息,且容易过拟合,使得算法准确度下降。本文提出了基于多项式池化金字塔的深度卷积神经网络,将特征图由粗到细分为多个尺度,统计每个尺度的概率分布模型,将概率模型的采样结果和幅值期望分别作为训练和测试输出,减少过拟合问题；并对网络进行预训练和微调,增强泛化能力。基于多项式池化金字塔的深度卷积神经网络在慕尼黑车辆公开数据库上的实验表明,查全率为95%时,算法准确率为93.3%,虚警率为17.7%,检测效果显著提升。在嵌入式8核DSP TMS320C6678平台上实现了完整的遥感特定目标在线检测算法。本文将候选目标快速提取算法和深度卷积神经网络算法移植到嵌入式多核DSP平台中,利用8个DSP核并行计算多阈值梯度范数、卷积和池化等步骤,实验表明,嵌入式平台算法处理尺寸为5616*3744的图像时,并行加速比为6.01,总耗时为0.11秒,实现了大幅面遥感图像特定目标的在线检测。候选目标提取算法的目的是从原始遥感图像中找出疑似目标窗口,查全率要尽可能高,虚警样本会在后续强分类器中剔除,因此,本文使用DR-#WIN曲线、查全率和计算量作为衡量算法性能的标准。后续的特定目标检测算法精确判断疑似窗口是否为实际目标,在提高查全率的同时,需要减少误识样本,因此,本文使用查全率、准确率和虚警率作为衡量算法性能的标准。通过在具备高难度和高挑战性的慕尼黑车辆公开数据库上的实验表明,本文提出的算法比HOG、LBP和MVC等算法的检测效果更好,计算时间更少,满足遥感处理系统特定目标在线检测的要求。