光学遥感图像目标检测是计算机视觉和遥感技术相结合的一类计算机技术。目前基于深度学习算法的光学遥感图像目标检测技术多由传统的目标检测模型直接迁移而来,未考虑到遥感图像具备尺寸大、包含的内容广泛、信息量大和小而密集的目标多等特点。此外,遥感图像目标检测多涉及到倾斜框目标检测,相比传统模型的水平框检测更具备挑战性。为提升光学遥感图像的目标检测精确度,本文在传统目标检测模型基础上针对遥感图像特性,提出相关解决方案。本文主要工作有:（1）在水平目标框检测上,本文提出了基于多感知域级联R-CNN的改进算法,引入HRnet并与多感知域和轻量化注意力机制结合。本文在Cascade R-CNN的级联结构基础上,设计了串-并联的级联R-CNN,以不同尺度多次学习深度特征。传统算法在多尺度、多纵横比的复杂场景下,对多类别目标的深度特征的挖掘有所不足,且许多相关算法的训练策略比较复杂。针对以上问题,本文模型可加强对复杂遥感目标特征的挖掘与学习,且无需预训练模型,训练策略简单。本文模型在当前两个最大规模的遥感图像目标检测数据集上的平均准确度分别达到了66.93%和67.82%。（2）在倾斜目标框检测上,本文提出了基于特征融合和加权定位损失的遥感图像目标检测网络。该网络设计了结合多向特征提取器的特征金字塔网络,能够加强特征提取与融合,并将其结合到目标检测模型Oriented R-CNN中。改进模型既具备Oriented RCNN较强的位置回归能力,又针对遥感图像特征方向多变,尺度变化大等问题,增强不同方向特征学习,加强多层级特征融合。此外,本文以倾斜目标框的角度和纵横比等影响定位回归的因子,设计了基于样本的加权定位回归损失函数,能根据不同样本的定位回归难度动态调整损失函数计算权重,提升倾斜框检测的精确度。在DOTA数据集上单尺度训练与测试的情况下,本文模型达到了77.3%的平均准确度。