随着遥感技术的不断创新,涌现出了许多高分辨率且内容信息更加丰富的遥感图像。遥感图像检测与识别在民用与军用两方面都有十分重要的实际应用价值,并逐渐成为众多学者的研究重点。本课题以遥感图像路面物体的目标检测与识别为研究背景,针对现在遥感图像路面物体的检测与识别算法中存在检测精度较低、检测速度慢等问题,进行相关的研究及改进。主要工作如下:(1)分析了基于遥感图像的图像预处理相关算法。重点分析了图像平滑、图像锐化和直方图均衡化等图像增强方法;在图像平滑方面分析了均值滤波、中值滤波和高斯滤波图像去噪方法;在图像锐化方面着重分析了微分法中的索贝尔(Sobel)算子以及高通滤波算法;最后分析了直方图均衡化算法对遥感图像的处理。对相关算法进行了实验与分析。(2)利用传统方法对遥感图像进行特征提取与分类。在特征提取算法中,着重分析了加速稳健算法(Speeded Up Robust Features,SURF)算法、局部二值模式(Local Binary Pattern,LBP)算法和梯度方向直方图(Histogram of Oriented Gradient,HOG)算法;在特征分类算法中,重点分析了支持向量机(support vector machine,SVM)算法。最后通过使用HOG特征算法与SVM分类器相结合的方式,对遥感图像中的路面物体进行检测与识别。(3)重点研究了深度学习在路面物体检测与识别方面的相关算法。本课题主要分析研究了R-CNN(Region-CNN)系列算法、SSD算法与YOLO(You Only Look Once)系列算法,其中重点研究了基于区域提案的Faster R-CNN算法以及使用直接回归思想的YOLOv3算法。此外,针对遥感图像数据集的特点,对YOLOv3算法进行了三方面改进研究:其一是通过增加多尺度特征融合,实现算法对更浅层信息进行特征提取,从而使算法获取的图像特征信息更丰富;其二是通过增加bbox位置信息可靠性的计算及优化IOU损失的计算,改进损失函数;其三是对遥感图像数据集重新进行k-means聚类,对本数据集的anchors值进行了优化。最后与其它深度学习算法在检测精度,检测速度,对小目标的检测效果等方面进行了相关的实验对比与分析,验证了本文改进算法的有效性。(4)根据实际项目的需求,设计出基于深度学习的遥感图像路面物体检测系统,该系统可以实现遥感图像中路面物体的检测与识别任务。