遥感影像车辆检测在国防军事,交通安全,城市规划,土地资源利用等领域具有重要的理论研究意义和实际应用价值。本文针对遥感影像特性,基于深度学习理论框架,从基于单应性的数据增强,多尺度特征融合,难分样本挖掘算法以及基于循环生成对抗网络的低分辨率遥感图像目标检测算法等方面进行探讨,以提高现有遥感影像车辆检测性能。早期的遥感影像车辆目标检测主要为基于模板匹配的方法,参数量大、对车辆目标的形状位置等比较敏感,精度较低;其次是基于特征的方法,其中手工特征计算量大、表达能力有限。近十年来,卷积神经网络通过在标记样本上多次迭代优化,学习目标影像的抽象语义特征,显著提高图像（像素）的识别精度,处理效率较传统方法优势明显,在目标检测领域取得显著成就。但由于遥感影像背景复杂、包含细节信息丰富,遥感影像车辆检测仍面临诸多挑战,例如:车辆尺寸小,类型和方向不同,车辆和某些其他物体（例如,建筑物上的空调装置,垃圾箱和路标）的视觉外观相似,容易发生虚警现象。针对上述问题,在数据构建方面,本文收集了遥感车辆检测领域具有代表性的数据集,为验证方法的泛化性,本文还利用自然影像数据集PASCAL VOC进行扩展实验。为保证样本的多样性,针对遥感数据采集过程中的特点,提出基于单应性的数据增强技术,提高了目标检测结果对尺度变换等的鲁棒性。针对遥感图像中车辆目标尺寸较小,高层卷积特征图中待检测目标语义信息量过小的问题,提出应用多尺度特征融合技术,纵向提高特征图几何分辨率的同时,横向融合高/中/底层特征,构建特征金字塔,提取包含形状、纹理、结构、语义等丰富信息的目标特征送入后续检测器。样本挖掘针对目标检测和分类问题中样本分布不均衡问题,挖掘训练样本中对分类器性能提升贡献较大的样本。本文研究在线难分样本挖掘技术,在CNN前向传播过程中,以样本分类损失为评价标准,回收分类损失较大的训练样本,在迭代训练过程中不断提升检测器的性能。通过改进现有算法,本文给出的算法显著提高车辆检测精度。针对低分辨率遥感图像目标检测难度较大的问题,本文将图像高分辨率和低分辨率作为两个图像域,利用循环生成对抗网络以无监督方式生成超分辨遥感图像。目标检测网络作为生成对抗网络中的一个判别器,以多任务学习的方式引导超分辨网络生成更加符合检测要求的高分辨图像。在遥感影像和自然影像上的实验表明该模型可有效提升低分辨影像的目标检测精度。