基于遥感图像的目标检测识别在许多领域都具有很大的应用前景。尤其在军事领域中,通过分析机载、星载等手段获取的遥感影像,我们可以得到很多平时难以获取的信息,而在遥感图像上使用目标检测技术便可使得一些信息能够更加直观的展现出来。随着人工智能时代的到来,深度学习技术在目标识别与检测的任务中表现出了远优于传统方法的效果,但在机载、星载等应用环境中,由于受平台载荷重量、体积、供电的影响,计算资源和存储资源受到极大限制,为此,如何在计算资源和存储资源受限的情况下,高实时的运算对计算资源和存储资源有巨大需求的深度学习网络就成为一个急需解决的难题,本文提出了基于卷积神经网络的模型压缩技术来解决这一问题。本文研究主要包括卷积神经网络的存储空间压缩和计算复杂度压缩,旨在降低卷积神经网络权重的存储空间、运行所需的内存空间,提升卷积神经网络运行时的处理速度。为了达到上述目的,本文提出了一种基于通道重排的轻量级目标检测网络,在保持了模型检测准确率的同时缩小了其存储空间、加快了其运行速度;同时提出了一种新的结构性模型剪枝策略,重新制定了用于衡量卷积核重要程度的规则,构建了新的基于卷积核的剪枝基本单元,可以在精度损失较少的情况下将vgg16网络压缩16倍以上的体积和3倍以上的计算量。在算法提升的基础上,本文完成了飞机目标检测软件系统的设计与实现,包括系统的总体架构、设计思路和深度学习训练推理架构,实现了软硬件协同加速卷积神经网络的检测任务,通过多尺度敏感区域筛选等方法提升了系统的检测准确率,并提供了多语言标准的网络接口。