遥感图像目标检测广泛应用于军事调查、海洋监测、城市规划、灾害评估与灾后救援等领域，是计算机视觉领域的研究热点之一。近年来，随着商业遥感卫星技术和传感器技术的不断发展，遥感图像的空间分辨率逐步提高，提供了越来越丰富的细节信息，使得基于遥感图像的多类别目标检测技术逐步具备了可行性。遥感图像目标检测技术形成了多用途以及多分辨率的应用层次，基本满足了不同应用领域的需求。因此，基于遥感图像的目标检测研究具有重要的理论意义和应用价值。
　　随着深度卷积神经网络（Deep Convolutional Neural Networks, DCNN）技术的发展，通用目标检测技术的研究取得了惊人的进步，通用目标检测技术的发展对遥感图像目标检测也具有重要的指导意义。由于遥感图像具有背景复杂、目标尺度和长宽比变化较大、目标具有任意的朝向以及空间分布不均匀等特点，一些常用的目标检测技术难以有效检测遥感图像目标。例如基于浅层学习模型的目标检测方法可以从遥感图像中提取部分目标，但结果非常不鲁棒；基于DCNN的通用目标检测方法难以处理遥感目标的多尺度、多长宽比、多旋转角度以及聚集的特殊性。因此，本文在现有通用目标检测技术和遥感图像目标检测技术的基础上，分析总结其不足之处，分别从多尺度遥感目标的检测算法和旋转遥感目标的检测算法两个方面进行了相应改进，提出了基于路径聚合特征金字塔网络的多尺度遥感目标检测算法以及基于旋转区域生成网络的遥感图像目标检测算法。本文的主要工作包括：
　　1、针对多尺度遥感目标的检测难点，本文分析了现有多尺度目标检测技术的优劣，在特征金字塔网络（Feature Pyramid Networks, FPN）的基础上，融合路径聚合的思想，引入了bottom-up分支结构，提高了多尺度特征的信息表征能力；在此基础上，提出基于路径聚合特征金字塔的遥感图像目标检测网络（PA-FPN），增强了网络对复杂背景下的多尺度遥感目标的检测能力。PA-FPN 由三个模块组成：多尺度特征提取模块、自适应特征融合模块和ROI Align池化模块。PA-FPN网络可以提取目标的多尺度特征，实现对多尺度目标的精确定位和分类，在DOTA和NWPU_VHR-10数据集上的目标检测实验结果表明，本文所提方法较其它目标检测模型的检测精度有明显提高。
　　2、针对旋转遥感目标的检测问题，本文首先分析了旋转边界框的表示方法，然后基于通用目标检测框架，设计了旋转目标的检测方法，提高了模型对旋转目标的检测能力。为提高旋转目标的检测效率，本文改进了传统目标检测流程，提出基于旋转区域生成网络的目标检测网络?RRDet。RRDet包含旋转锚框生成、旋转候选区域预测、RROI池化、斜框IoU和斜框NMS等模块。与基于水平框的目标检测框架相比，RRDet对旋转目标的检测能力更强，解决了因水平框标注造成的密集目标漏检问题。在旋转目标数据集HRSC2016上的实验表明，本文所提方法较传统方法具有更强的旋转目标检测能力。