近年来,随着世界各国在遥感成像技术方面的突破,特别是高分辨率合成孔径雷达(Synthetic Aperture Radar,SAR)以及可见光成像技术的突破,需要处理的遥感图像数据量大幅增长,人工解译难以处理海量数据,从而对相应的自动解译技术提出了更为强烈的需求。遥感图像目标检测与识别技术是遥感图像自动解译系统的一个关键组成部分。目前,在目标检测与识别领域,以大数据为基础的深度学习技术取得了突破性的进展,对近景图像的检测识别性能远远超过传统方法。随着获取的遥感图像数据量与日俱增,如何设计、训练与测试面向遥感图像目标检测与识别任务的深度学习模型成为了备受关注的关键问题。本文围绕遥感图像中的SAR图像与可见光图像,对利用深度学习算法进行的舰船目标检测与识别技术做了深入的研究,并取得了部分成果。本文在分析当下SAR图像舰船目标检测算法缺陷的基础上,引入了深度学习中的Faster R-CNN,并针对其缺陷渐进提出了两种基于序列重标定模块的改进算法;针对当前SAR图像有类别标注样本较少的问题,提出了两种能够在样本较少条件下训练得到高性能分类器的深度学习SAR图像舰船目标识别算法。同时,本文剖析了目前高分辨率可见光图像舰船目标检测与识别方法存在的主要缺陷,并提出一种基于PVANet的可见光图像舰船目标检测与识别算法。在SAR图像舰船目标检测方面,本文由Faster R-CNN算法出发,渐进提出了两种改进的SAR图像舰船目标检测算法。首先,针对Faster R-CNN算法对弱小目标检测率较低、虚警较多的缺陷,本文提出基于序列重标定(Sequeeze and Excitation,SE)Faster R-CNN,通过融合不同尺度的特征图得到多尺度联合特征图,从而增强对弱小目标的检测能力。通过构建序列重标定模块,在对提取的感兴趣区域(Region of Interest,RoI)做判别时,自每个Ro I对应的特征子图学习一个序列化权重向量,通过该向量对特征子图的每个通道进行权重重标定,对多尺度联合特征子图中的冗余维度进行抑制,进而增强了算法性能。进一步的,通过加入排序操作,提出了基于序列重标定排序(Sequeeze and Excitation Rank,SER)Faster R-CNN,完全的抑制了多尺度联合特征子图中的冗余特征维度,进一步提高了综合检测性能。基于Sentinel-1卫星数据集的实验结果说明,本文对算法做出的改进能够有效提升SAR图像舰船目标检测性能。在目标识别方面,本文首先从有类别标注数据较为丰富的车辆目标分类识别任务入手,提出了一种基于卷积高速单元网络(Convolutional Highway Unit Network,CHU-Net)的SAR图像车辆目标分类算法。利用卷积高速单元结构可以使网络梯度更灵活传播的特性,使网络可以在有类别标注样本较少的情况下,仍达到较高的分类识别精度。本文基于MSTAR(Moving and Stationary Target Acquisition and recognition,运动与静止目标获取与识别)数据集验证了算法的有效性,同时,基于Sentinel-1卫星SAR舰船切片证明了其对舰船目标的有效性。同时,由于有类别标注SAR数据较少,本文通过GAN预训练的CNN对SAR舰船目标进行了识别实验。首先利用有类别标注的SAR图像舰船切片训练GAN,随后用GAN生成的舰船样本预训练CNN,使得CNN初步学习SAR图像舰船的特征,最后用有类别标注的切片对CNN微调,得到高性能分类器。本文利用Sentinel-1数据验证了基于GAN预训练的CNN在使用少量有类别标注数据进行训练时,具有良好的分类识别性能。在高分辨率可见光舰船检测与识别任务中,检测海域中的稀疏舰船的技术已经比较成熟。然而,对于在停泊在港区内的,密集停泊或紧靠码头的舰船目标的检测与识别技术还需要进一步探索。对于基于深度学习的方法而言,在检测密集排列的舰船时,生成的RoI的矩形框往往具有较高的重叠度,真实目标容易因此被滤除从而造成漏检。本文提出了基于PVANet的旋转目标检测方法,直接预测带有角度的、贴合舰船目标的矩形框,从而可以减少对密集排列的舰船目标的漏检。本文基于Google Earth可见光图像军舰检测与识别数据集与另一可见光图像舰船检测数据集验证了方法的检测与识别性能。