丰富的语义感知信息、高频细节信息以及特殊的成像视角,使得遥感数据和图像被广泛应用,其中的全色遥感图像虽然空间分辨率较高,却缺少光谱信息无法显示地物色彩不利于目标检测;而彩色遥感图像的目标检测逐渐成为研究热点,但存在问题是:遥感目标分布密集、所占尺寸较小并且背景复杂,直接使用自然图像目标检测算法会产生目标难检、误检与漏检;尽管高分辨率彩色遥感图像的目标检测更具优势,由于在获取过程中对硬件设备精度要求较高、升级硬件设备难度较大;因此本研究工作围绕以下三方面内容展开。1、为了获取包含更多高频感知信息与纹理细节信息的彩色遥感重建图像,提出一种融合多尺度感受野模块的生成对抗网络遥感图像超分辨重建算法。首先,使用多尺度卷积级联增强全局特征获取,去除生成对抗网络中的归一化层,提升网络训练效率去除伪影并降低计算复杂度;其次,利用多尺度感受野模块与密集残差模块作为生成网络的细节特征提取,提升网络重建质量获取更多细节纹理信息;最后,结合Charbonnier损失函数与全变分损失函数提升网络训练稳定性加速收敛。经试验研究,本文所提基于生成对抗网络超分辨率遥感图像重建改进算法,较于超分辨率生成对抗网络峰值信噪比高出约1.65dB,结构相似性高出约0.040（5.2%）,特征相似性高出约0.010（1.1%）。2、在YOLOv4目标检测算法的基础上,针对遥感图像中目标密集且尺度较小、背景复杂且分布不均的问题,在主干特征提取网络中引入Focus结构,保留更多的图像初始化语义信息,融合多层可分离卷积,在不加深网络的情况下,通过不同尺度感受在同一维度特征图谱的共享,提升主干网络特征提取能力。针对遥感图像中多尺度目标检测的问题,采用双向特征金字塔网络进行多尺度特征融合,多次自顶向下与自底向上的网络结构,将浅层高频细节信息与深层全局信息整合,引入轻量级子通道注意力机制,利用深度可分离卷积提升多尺度特征整合能力。经试验研究,本文所提基于YOLOv4改进的遥感目标检测算法,较YOLOv4算法平均精度在DIOR数据集上提升了 16.17%、RSOD数据集上提升了 2.87%。3、将DIOR数据集原始图像作为真实场景,进行不同倍数的分辨率下采样,当图像分辨率低于检测算法输入像素阈值的一半时,检测精度大幅下降;当低于阈值三分之一时,检测精度下降大于50%。将低分辨率NWPU-RESISC45数据集进行超分辨遥感图像重建,重建图像相较于原始图像检测的平均精度提升29.3%。本文利用神经网络算法提升遥感图像分辨率,并对彩色遥感图像的目标检测算法进行改进,解决超分辨重建算法训练难和重建图像细节缺失的问题,从而实现中、低分辨率彩色遥感目标的高精度检测。