遥感图像目标检测在地质灾害监测、航空检测等社会现实场景中具有重要的作用,对于遥感图像进行合理的分析及应用具有十分重要的研究价值与意义。相比普通的自然图像,遥感图像检测任务具有小尺度目标、形状多变目标、多尺度目标、数据集存在长尾类别分布、真实位置标签过少和弱监督检测算法检测性能较低等问题,导致一般的目标检测算法对遥感目标的检测能力较弱。因此,解决上述问题从而提高遥感图像目标检测任务的检测精度具有研究价值与挑战意义。本文针对遥感图像目标检测的主要难点,结合遥感目标的特点,研究基于深度神经网络的遥感图像目标检测方法,旨在深度挖掘遥感图像潜在价值,以支持航天航空图像分析领域建设与发展。本文主要工作内容如下:（1）针对遥感图像中小尺度目标、形状多变目标、多尺度目标、数据集存在长尾类别分布等问题,本文提出基于改进Cascade R-CNN的遥感图像目标检测算法—RS-Cascade R-CNN。首先构建特征提取模块替换原有骨干网络的3×3卷积层,用于扩充图像的感受野,增加特征的提取范围,解决小尺度目标和形状多变目标问题。然后,在传统特征金字塔结构上增加一条由底向上的支路,并将提取的特征图进一步特征融合与增强,解决多尺度目标问题。最后,通过采用Seesaw loss损失函数,解决大部分公开数据集都存在的长尾类别分布问题。本文通过实验结果充分证明RSCascade R-CNN在遥感目标检测任务中优异的检测性能。（2）针对当前遥感数据集中真实位置标签较少、弱监督检算法检测性能较低等问题,本文提出基于改进OICR的弱监督遥感图像目标检测算法—RS-OICR。为解决真实位置标签较少问题,将弱监督学习与遥感目标检测算法结合,仅采用粗略的图像级标签进行训练即可完成检测任务。为解决当前弱监督检测算法检测性能较低问题,一方面,构造WS-Res Net骨干网络提取目标特征,采用多层感知机降低错误梯度的负面影响,采用小卷积核与最大池化增加骨干网络的特征提取能力,采用混合空洞卷积解决下采样中量化操作产生的特征偏移问题,使Res Net网络结构能够适应于弱监督下遥感图像目标检测任务;另一方面,在原有弱监督检测网络基础上构造位置回归网络,对生成候选框的坐标进行回归学习,提高生成候选框与真实框重合度,以增加遥感目标定位的准确度。本文通过实验结果充分证明RS-OICR在弱监督遥感目标检测任务中优异的检测性能。