用于描述地表各种物体特征的遥感图像的数量和质量由于遥感技术的极速发展而获得了很大的提升。目标检测任务对于图像的解读是至关重要的,尤其是在智能监测、城市规划、精确农业和地理信息系统（GIS）更新等领域。近年来,这些需求也驱使着人们做出了巨大的努力来开发遥感光学图像中的各种目标检测方法。然而,与普通的光学图像不同,光学遥感图像通常呈现出相同类别目标之间尺寸差异较大,不同类别目标之间存在着一定的相似性以及场景复杂等特点。这些特点使得检测的难度增大,如果将普通光学图像的目标检测算法直接应用到遥感图像上很难取得令人满意的结果。因此,如何高效且精确的检测出光学遥感图像中的目标是一个公开且具有挑战性的问题。本文基于一阶目标检测的框架,以如何有效的获取丰富的特征信息和如何从大量复杂的场景信息中快速筛选出高质量的特征信息等问题为出发点,引入了特征金字塔网络、上下文感知模块、注意力机制等理论和方法,来解决遥感图像目标检测类间相似性、类内多样性以及场景复杂等问题。主要研究工作如下:（1）针对遥感图像类间相似性以及类内多样性的问题,提出了一种基于跨尺度特征融合金字塔网络的遥感目标检测方法。首先,为了从不同尺度的特征图中提取足够全面的语义信息,构建了一个跨尺度融合模块（CSFM）,用来进行跨尺度融合。其次,通过细化U形特征金字塔模块（TUM）进行更深层次的特征多级融合。接着,使用通道注意力机制,定位到感兴趣的信息,抑制无用信息。最后,损失函数中Focal Loss函数来控制在特征融合过程中生成的大量负样本,从而实现待检测目标的精确定位。（2）针对光学遥感图像场景复杂的问题,以及如何有效实现多尺度特征融合的问题,提出了一个基于场景上下文感知的双向特征金字塔网络。该网络首先利用设计的上下文感知模块（SCM）通过不同尺度的池化对不同区域的上下文信息进行聚合,从而获得更丰富的全局上下文信息。接着,为了使不同尺度的特征信息进行有效的加权融合,本文引入双向特征金字塔结构,从而获得更加精准的特征信息。与目前主流的遥感图像目标检测方法相比,该方法取得了更好的效果。