随着卫星技术的快速发展,遥感影像日益增多,因此亟待实现遥感影像的自动解译,而目标检测一直是遥感影像自动解译的一个重要的研究内容。本文基于卷积神经网络,着重研究了结合人工设计特征与深度学习特征,完成机场、港口及机场内部核心要素的目标检测,并将所提出的各种目标检测方法集成到“译陆”遥感影像目标检测平台中,本文主要工作与创新如下:(1)针对机场目标检测,根据机场作为复合目标,其主体结构跑道存在明显的长平行线特征,提出了结合几何与视觉显著图及残差网络的机场检测方法。将几何显著图与改进的局部熵显著图相结合在影像中确定可能存在机场的候选区域。最后使用残差网络ResNet(residual network)判别候选区域类别,得到检测结果。实验表明本文提出的方法相比于传统机场检测的方法,查全率提升了5.55%,查准率提升了22.15%。相比于端到端的深度学习检测方法SSD(single shot multiBox detector),查全率提升了1.85%,查准率提升了13.91%。(2)针对港口目标检测,根据港口必定出现在海陆交界处且港口作为复合目标,其组成结构码头之间没有明显主次关系的特点,提出了基于双分辨率的目标检测方法,先在较低分辨率影像中利用ResNet确定海陆交界处,然后再在较高分辨率影像中利用ResNet检测码头,对邻近码头进行合并得到港口检测结果。实验表明基于双分辨率的港口检测结果与单分辨率的港口检测相比,在查全率基本保持不变(达到95%)的情况下,查准率提高了11.06%,在时间效率上提高了27.91%。(3)针对飞机目标检测,根据飞机目标一般较小的特点,提出基于多尺度深度学习特征的改进SSD网络,同时结合低层及高层特征,提高了小目标检测结果。实验表明,改进的SSD网络在小目标(目标像素小于32×32)的检测结果上,查全率提升了5.88%,查准率提升了3.66%。(4)针对机场跑道目标检测,根据跑道属于机场主体结构的特点,提出了基于机场轮廓的跑道检测算法。对输入图像先使用ResNet获得准确的机场区域,并采用加入0值修正的显著性及二值化算法,及去除小连通区域与孔洞填充操作,得到机场轮廓,在机场轮廓的范围内根据平行线判断准则快速确定跑道位置。实验表明,本文的方法对于灰度值与周围环境相近的机场仍能保持较强的稳健性。(5)针对掩体目标检测,根据掩体一般处于跑道与滑行道连通区域端点,且掩体训练样本过少的特点,提出了基于对抗样本的机场掩体检测算法。首先在机场轮廓内通过骨架细化并寻找端点,将提取到的端点作为疑似掩体区域,并利用对抗样本增加样本数量,训练网络进行分类得到最终检测结果。实验证明,加入对抗样本后,掩体检测查全率提高了3.90%,查准率提高了12.35%。