基于深度神经网络的表示学习方法近年来在计算机视觉、语音信号处理和自然语言处理等领域取得巨大成功.在近景视觉影像多目标检测方面,以区域卷积神经网络为代表的深度模型方法不断刷新公开数据集上的性能水平.随着高分重大专项的持续深入推进,海量高分辨率多源遥感影像呈现更加丰富的地物细节信息,使得目标的精细描述与快速定位成为可能.本文开展基于轻量深度网络的高分遥感影像多目标快速检测技术研究,主要工作和创新有:针对深度网络的计算密集和存储密集特性,限制其在星载或机载等资源受限情形下的部署应用能力,开展了深度网络模块优化与网络压缩技术研究,构建轻量级深度网络模型.采用原始数据域图像几何变换和光度变换、特征数据域加噪的方法,对训练数据集进行增强,以解决遥感影像多目标检测标记数据不足的难题.提出采用特征金字塔网络融合方法,改进现有深度模型在解决遥感多尺度目标和小目标的低检测率问题.在多组公开数据集上的大量实验证明了本文方法的有效性.