遥感图像的俯视拍摄视角给予了人们观察地面目标以极大的便利。随着空天载具技术的发展,对遥感图像数据的处理需求也在迅速增加。作为典型的图像处理任务,目标检测任务在遥感图像的处理中占有非常重要的地位。如何更为准确地检测遥感图像中人们感兴趣的目标是图像处理领域的研究热点。本论文围绕着基于深度学习算法的可见光遥感图像目标检测技术,开展了一系列研究,主要研究内容和成果如下:1.研究针对遥感图像目标的数据集增广技术。设计了一种创新的数据集增广技术相似目标替换（Similar Targets Replacing,STR）。随机选取训练集图片中的目标,替换为相似类别的目标,并对替换的目标进行仿射变换。在DOTA数据集上的实验表明,STR可以有效提高深度学习算法的训练效果和检测精度;2.研究斜框目标检测中的角度预测问题,提出了距离敏感密集编码标签（Distance Sensitive Densely Coded Labels,DSDCL）方法。对使用编码分类法预测角度的方法中出现的编码高位误检带来最终预测框精度损失的问题,采用旋转锚框代替水平锚框,并使用预测框与锚框之间的角度差值作为角度分类训练的基准,借助于正样本锚框的角度阈值,使正样本中编码高位尽量减少1的出现,从而减少了误检的样本数量;对编码的高位误检问题,设计了位权增强权重（Bit Weight Enhancement Weight,BWEW）,对高位的损失函数进行正向加权,使网络的训练资源向高位倾斜,从而提高高位的预测准确率,减少预测框的精度损失;角度预测值与真值的差值和二者编码的汉明距离不成线性关系。设计了编码距离补偿权重（Coding Distance Compensation Weight,CDCW）,将角度差值线性地传递到角度分类损失函数中,使网络快速、准确地学习角度分类特征。在DOTA和UCAS-AOD数据集上的实验证明DSDCL对角度分类算法的性能有显著提升。3.研究了基于群等变卷积的遥感图像目标检测算法。提出了基于群等变卷积的Faster R-CNN（Group equivariant Convolutional Faster R-CNN,GEC FR-CNN）算法。首先利用群等变卷积获取目标的等变性特征,经过特征重组后,使用设计的方向敏感候选区域推荐网络作为候选区域推荐网络。通过方向目标特征裁剪,得到目标的方向敏感特征。实验结果表明,基于群等变卷积的目标检测算法相比基于常规卷积的目标检测算法,检测效果更好。