遥感监测是目标识别的一个前沿和热点,被广泛应用于舰船监测、渔业管理、环境监控、敌方军事动态监控等民用和军用领域。不同遥感图像具有不同的特性,如SAR图像具有分辨率高、全天候工作但是会夹带着大量的相干斑噪声。传统遥感图像检测与识别算法具有依赖于人为设计的图像特征、需要人为挑选最优的特征子集并调节分类器参数的弊端。本文因此根据深度学习端到端学习的优点,结合不同的遥感图像特性,分别建立了端到端SAR图像目标识别模型和结合多尺度特征融合的小目标舰船检测模型。论文的主要工作及贡献如下:(1)提出了一种新的端到端SAR图像目标识别模型,即可变深度可分离密集卷积神经网络(FDSDenseNet),通过引入参数化激活函数和密集卷积神经网络,提高分类模型识别精度;引入深度可分离卷积以控制模型复杂度;设计1X1卷积核与分类层组合的可变分类模块以实现可变的参数调整;(2)基于不同特征通道维度信息流的不同表达,采用稀疏连接和群压缩激励进一步减少参数数量,提出了一种新颖的CNN网络结构,称为稀疏群压缩激励卷积神经网络(GSESCNN),将所提出的群压缩激励模块(GSE)与稀疏连接卷积神经网络(SCNN)进行组合。SCNN利用独特的稀疏路径连接策略,在实现特征流动的基础上减少了冗余参数,GSE模块通过添加额外分支来自适应地学习不同特征通道维度的信息,提高了模型的表征能力;(3)基于对现有结合深度学习进行卫星图像目标检测的研究工作的分析,提出了一种新的神经网络结构,称为压缩激励路径跳跃连接网络(SESPNets)。基于两阶段检测的框架,提出了一种路径跳跃连接结构,以增强网络在目标区域提取阶段表征多尺度特征的能力。同时,压缩激励模块被结合到网络中以增强对不同特征通道信息的学习。同时采用ROI align操作和Soft-NMS后处理进一步提高了检测精度。