常见的目标检测模型由于模型参数量较大，往往难以部署在无人机、卫星等移动嵌入式设备上。为了对船只进行实时监测，将目标检测模型部署在计算能力较弱的设备上，对基于计算机视觉的卫星图像船只目标检测方法进行研究。针对卫星图像中船舰的形状长宽比例特点，采用K-means++聚类算法选取初始的锚点框; 接着对模型进行多尺度训练，将多尺度金字塔图像作为模型训练的输入; 将YOLO-v3目标检测算法的批归一化层的尺度因子作为通道重要性的度量指标，对YOLO-v3模型进行剪枝压缩。实验结果表明，采用的模型剪枝和压缩方法能有效地对模型进行压缩，模型的参数量减少了91.5%，模型检测时间缩短了60%,极大地减少了系统计算性能的开销。当采用的初始锚点框个数为6个时，平均准确率(mAP)达到77.31%，满足了卫星图像船舰实时性检测的需求。

由于航空图像背景复杂，包含的物体类别多样，航空图像分类任务仍然面临困难。针对传统航空图像多标签分类算法准确率低、泛化性差的问题，本文提出了一种基于循环神经网络多标签航空图像分类方法。首先，采用超像素分割获取图像的低层特征，通过注意力机制生成注意力特征图；接着，采用交叉验证的方式获取最佳的图像尺度，将多尺度注意力特征图嵌入卷积神经网络中对 图像进行特征提取；最后，采用改进的双向长短期记忆网络挖掘标签之间的相关性，改进的双向长短期记忆网络增加了输入门到输出门之间的连接，使输入状态可以更好地控制每一内存单元输出的 信息，并且将遗忘门和输入门合并成单一的更新门，使得改进的双向长短期记忆网络可以学到更长时期的历史信息。结果显示，在图像变换尺度为1，1.3，2时，模型在UCM多标签数据集上的精确率 和召回率分别达到了85.33%和87.05%，F1值达到了0.862。本文方法相比于原始VGGNet16模型，精确率提高了7.25%，召回率提高了8.94%。实验表明，该方法可以有效提高航空图像多标签分类任务 的准确率。