近年来,受益于图像处理技术不断成熟,高分辨率遥感图像成为目标检测方法的热点研究对象。遥感目标检测技术不仅在气象分析、地表勘测及交通规划等民生领域具有广泛应用,同时也为军事侦察、海上救援及灾害控制等重大任务提供技术支撑,具备很高的实用价值。随着深度学习技术在遥感领域的盛行,基于卷积神经网络的目标检测逐渐取代了传统的特征检测方法。在遥感图像自身属性的约束下,现有检测手段难以实现遥感场景下目标检测任务的高精度低延时要求,为该领域检测任务的实际应用带来了极大挑战。因此,如何针对遥感图像特点设计高性能目标检测模型是遥感目标检测领域不可回避的现实问题。本文的重点工作是对遥感图像目标检测任务的高精度检测与加速技术展开研究,主要的工作和成果如下:1.针对现有方法应用于目标尺度小、横纵比例不均衡的遥感图像时存在的精度下降问题,提出一种基于多阶段特征融合的目标检测方法MF~2M（Multi-stage Feature Fusion Method）。该方法在一阶段对特征图通道进行组合拆分,再采用卷积拼接的融合方式聚合通道维度的特征,从而强化输出的目标空间轮廓信息;二阶段设计多比例的非对称卷积块,增强大横纵比目标的高维全局特征,改善目标与检测框匹配粗糙的问题,同时利用串并行相结合的处理方式减少冗余卷积参数,加速网络收敛。在DOTA数据集上的实验结果表明,基准方法引入MF~2M后,在保证检测速度的前提下精度指标m AP提高至76.44%,结果验证了所提算法的有效性与可靠性。2.针对当前遥感图像目标检测模型由于目标多角度、排列密集以及背景复杂从而导致检测速度慢的问题,提出一种级联式逆残差卷积结构（Cascaded Inverted Residual Convolution,CIRC）。该结构采用深度可分离卷积作为基本卷积单元,快速提升模型计算能力;在此基础上,通过转置通道矩阵与级联深度卷积,并增加残差连接层数,达到强化目标多维特征的目的;进一步,进行多级模块堆叠,提高模型对目标的检测效果。在Retina Net基础上,本章利用CIRC设计了一个快速目标检测网络—CIRCN（Cascaded Inverted Residual Convolution Net）。同时,在训练阶段引入角度变量并参与反向传播,在推理阶段对水平框加入角度偏置,有效提高定向目标与检测框匹配度.在DOTA数据集上的实验结果表明,CIRCN在精度略受损失的情况下,检测速度达到42fps,比基准算法提高了3.5倍,证明了所提算法的高效性。3.针对当前基于特征金字塔网络的高精度目标检测算法因参数量大、计算复杂而检测速度缓慢的问题,提出一种基于单尺度特征变换（Single-scale Feature Transformation Network,SFTN）的快速遥感图像目标检测方法。首先,以单尺度遥感图像特征为基础,通过对原始特征线性变换,利用余弦相似度进行卷积核聚类优化,快速生成新通道特征;其次,为获得多尺度感受野,设计并行残差空洞卷积模块,在特征图上覆盖多类别遥感目标尺度;最后,引入角度变量并利用角度相似性进行优化,有效提高目标方向精确度。在不同数据集上的实验结果表明,本文方法在保证遥感图像目标检测精度的同时快速提升了检测速度,优于多种遥感图像目标检测方法。结果证明了本文方法的可靠性与鲁棒性。最后总结全文研究工作,并展望未来涉猎方向。