随着遥感技术的发展,高分辨率遥感图像的获得变得更加便捷,遥感数据呈爆炸性增长。如何利用新兴的科学技术,从包含丰富地物信息的高分辨率遥感图像上实现感兴趣目标或区域的快速定位和高效检索,已经成为当今的研究热点。一方面,遥感图像具有多样化、多尺度等特性,特征表达模型是否准确可靠直接影响到检索性能的好坏,如何将在自然图像处理领域取得巨大成功的深度学习技术应用于遥感图像进行特征提取,是遥感领域的一个挑战。另一方面,遥感图像具有海量性,如何利用云计算技术实现海量数据的可靠存储并快速处理使其更好地服务于遥感应用,是遥感领域需要解决的一个问题。另外,随着遥感图像分辨率的提升,人们更加关注基于目标的检索,如何选取合适的图像分割策略,将遥感图像基于目标分割,然后检索相似目标,是遥感图像检索领域需要解决的另一个问题。针对以上问题,本文对图像特征提取、遥感图像分割、深度学习模型和Hadoop/Spark分布式框架进行了深入分析和研究,提出了一种基于深度学习的分布式遥感图像检索框架。本文的主要工作如下:第一,本文基于Hadoop/Spark框架管理遥感数据并实现分布式并行处理。本文通过分布式文件系统HDFS实现了海量遥感图像数据的可靠存储和管理,在分析了图像处理算法和分布式运算的机制之后,基于MapReduce和Spark实现了分布式的图像特征提取、目标检测分块、聚类等算法,提升了算法的运行效率。最后通过实验对比了不同节点数目下分布式算法的运行速度。第二,本文研究了基于深度学习的分布式特征提取算法。本文分析了CNN网络的基本结构,通过用遥感图像微调预训练网络的方法构建了针对遥感图像的网络模型,并基于BigDL框架实现了基于深度学习的分布式特征提取算法。最后通过实验对比了单机和分布式集群的效率、深度学习特征和传统特征的检索效果。第三,本文将目标检测算法集成到检索系统中,实现了目标级检索。本文结合目标检测算法的思想,首先对遥感图像基于目标分割出候选区域,针对分割出的候选区域建立目标库,然后在检索时从目标库中返回相似检索目标。本文提出的基于深度学习的分布式遥感图像检索框架对于提升海量遥感图像的处理速度以及检索准确率具有一定的理论及应用意义。