随着可见光卫星遥感和航空遥感图像分辨率的不断提高,从中能够解译获得更多的有价值信息。遥感图像的分类和检测是遥感影像智能分析的重要环节,也是该领域的研究热点。传统方法通过采用人工设计特征结合回归、SVM等浅层模型的方式实现,然而由于可见光遥感图像存在背景复杂,类内场景差异大,目标尺度变化大等问题,在性能提升上遇到了瓶颈。深度卷积网络通过多层抽象机制,可自主学习遥感图像的高层本质特征,为遥感图像的分类与检测提供了新的解决思路。为此,本文主要研究了基于深度卷积网络的可见光遥感图像分类和检测算法,具体内容如下:(1)提出了随机多选择残差网络集成的遥感图像分类算法。深度卷积网络模型在图像分类、目标检测等问题上得到了成功的应用。但单一类型的网络对于类内差异性大以及尺度变化大的遥感场景仍然不能获得好的分类结果,通过网络集成的方法,融合多个网络进行分类,有利于提升分类准确率。为此,本文提出一种基于随机多选择残差网络集成的遥感图像分类算法,该算法通过多选择学习策略,集成多个残差网络共同完成分类任务,算法设置有效的集成学习目标函数,并通过随机梯度下降算法最小化多个子网络对每个样本的最优分类误差,促使各个网络之间的差异性,能够自适应于特定类别的分类任务,进而形成有效的分类,同时其泛化性优于单个学习器。在两个公开的遥感数据集上验证了本文算法的有效性,多个残差网络能够对不同类别的遥感影像形成最优分类,有效提升了分类的准确性。(2)构建了基于YOLOv2的大尺寸遥感图像目标检测模型,实现了对舰船和飞机两类目标的有效检测。针对遥感影像目标检测中存在的背景复杂、目标尺度多样化、图像尺寸大等难点问题,本文构建了基于YOLOv2的分块检测网络,通过设置不同尺度的滑动窗口,可自适应于遥感图像中舰船和飞机目标的尺度变化,并建了立块检测结果的非极大值抑制(Non-Maximum Suppression)融合方法,进而实现对于大尺寸卫星遥感图像的有效处理。并同Fsater R-CNN、SSD、YOLOv2等算法模型进行了实验对比与分析,验证了B-YOLOv2算法的有效性。