卷积神经网络是人工神经网络发展的新台阶,也是大数据时代的产物。借鉴于生物感知外界信息方式,采用局部连接、权值共享和子采样来降低反馈神经网络的复杂性,同时使网络结构具有位移、形变和尺度不变形。目前在自然语言处理,计算机视觉以及生物特征识别等方面都取得历史性的成绩。为了处理海量的数据,卷积神经网络朝着网络层数更深发展,相对于百万数量级的大赛数据集,现有卷积神经网络模型在处理小数据集往往难以在新的应用场景中取得好的效果。本文在全面学习卷积神经网络的基础上,对相关理论深入研究,结合迁移理论和近年卷积神经网络的发展情况,对遥感图像的分类和飞行器目标检测两类应用进行研究。论文完成的研究工作如下:首先针对小数据集无法在复杂深度卷积神经网络模型直接训练的问题,采用迁移学习,使用预训练的网络模型VGG-16、GoogleNet、ResNet-152对遥感图像的分类问题进行研究。通过仿真测试,预训练的ResNet-152在遥感图像数据集UCMerced和SIRI-WHU取得最好98.7%和99.3%的分类效果,该分类精度是目前在该类数据集上的最好分类效果,进一步验证了迁移学习可以使深度卷积神经网络很好的适应小数据集的应用研究。其次,针对目标检测中的难点问题,遥感图像飞行器目标检测,在现有目标检测网络Faster R-CNN的基础上,根据待检测飞行器目标的特征,修改网络的参数来适应遥感数据集大范围、小目标的检测任务。为了满足检测模型对数据量的要求,通过Google Earth收集了1000张不同分辨率飞行器遥感图像作为实验数据集。原Faster R-CNN和现有优秀检测网络模型在搜集的数据集上进行仿真对比,结果表明修改后的网络对遥感图像中的飞行器有更好的识别效果,虚警率更低,同时能满足实时性检测要求。