我国疆土广袤,地势地貌复杂,滑坡灾害频发,及时准确地检测出滑坡目标对于降低滑坡灾害及防止因降雨、地震造成的二次滑坡有十分重要的意义,而滑坡目标检测的研究主要是在遥感图像数据集上进行的。目前,滑坡目标的检测主要是采用图像处理技术结合人工分析来进行的。而广泛应用于车辆、行人、医学影像等目标检测领域并取得了大量研究成果的卷积神经网络,在滑坡目标检测领域的研究却相对较少。本文在分析研究卷积神经网络的各种模型及相关参数的基础上,针对滑坡目标检测的特点,提出了一种改进的Faster R-CNN网络模型,并将其应用到滑坡目标检测中,取得了较好的效果。首先,本文针对遥感图像普遍存在的白场过度现象,对训练集采用去雾预处理。经过预处理后的遥感图像目标与背景之间色彩对比更鲜明,滑坡目标边缘特征更突出,为卷积神经网络更有效地检测遥感图像中的滑坡目标提供了有效的保证。其次,为了更大程度地保留有用的特征信息,提出了一种改进Faster R-CNN的网络模型,将模型中的池化类型由最大池化改进为随机池化,避免了极大值干扰,从而提高检测效率。此外,由于在遥感图像中经常存在较小的滑坡目标,为了有效辨识和定位该类目标,本文还为网络模型增加了若干小尺寸锚(Anchor),锚点数量的增加使得网络模型的检测精确度也得到了有效地提升。在Faster R-CNN网络模型改进的基础上,本文对网络模型的参数也进行了优化,使其针对遥感图像具有更强的适应性。整体改进后的网络模型的平均精确度均值相较于传统Faster R-CNN网络模型最大提升了5.26%。最后,将改进前后的Faster R-CNN网络模型与YOLO、SSD网络模型应用到遥感图像数据集中,并对检测效果进行对比分析,实验表明,相较于另外三种网络模型,改进后的Faster R-CNN网络模型对滑坡目标的检测效果更佳。