随着人造卫星走入太空,人类科技迈入人工智能时代,遥感图像领域的研究逐渐走向了快车道。遥感图像处理领域的发展也促进了人们将其更多的用在现在人们生活和工作的方方面面。与此同时,遥感卫星技术的发展为遥感图像处理领域带来了高清的、海量的图像数据。在实际应用中,遥感图像目标检测与识别技术更多的用于农林、气象、地形勘察和军事上的勘察等,通过对物体的定位和分类达到不同的目的。然而,遥感图像是通过俯视视角采集而得,该视角下目标的特征表现更加明显,主要特征为:尺度差异较大、大纵横比、细节特征更加明显、排列密集且方向多变等。细节特征更加明显这一特点为精细识别任务提供了良好的数据基础,但由于目标尺度差异较大等特点,遥感图像目标检测与识别任务无法直接使用自然场景下的方法实现。因此,有效地解决遥感图像目标精细识别任务刻不容缓。为解决上文提到的问题,本文设计了一种基于Transformer的高分遥感图像多角度目标精细识别方法。本文将分别从旋转检测和精细识别两方面解决遥感图像多角度目标精细识别任务,具体内容包括:（1）针对遥感图像目标排列密集且方向多变,导致了检测难的问题,设计了基于角度分类的Transformer旋转目标检测方法:首先,针对方向多变目标检测难的问题,提出了一种基于Transformer和角度分类的遥感图像旋转目标检测方法,提升了在遥感图像旋转目标检测任务上的精度。同时,解决了以往利用角度回归方法实现该任务时出现的边界不连续问题;其次,针对目标排列密集导致的错检和生成的检测框重叠等问题,在Transformer的编码器中加入挤压和激励模块（SE block）加强模型对特征局部信息的提取,提升了在排列密集物体上的检测识别性能;该方法在DOTA数据集上达到了81.33%的mAP值。（2）针对遥感图像目标尺度差异较大和大纵横比,导致了精细识别任务精度低的问题,设计了基于单级特征金字塔的Transformer目标精细识别方法:首先,针对在尺度差异较大、大纵横比目标上检测性能较差的问题,设计了单级特征金字塔结构,将不同尺度的特征进行融合,提高了模型在尺度差异大、大纵横比目标上的检测性能;其次,为了更多的关注目标的细节特征,在Transformer解码器中的全连接层中加入深度卷积,使模型更多的关注局部特征上的信息,提升了遥感图像精细识别任务的精度;最后,设计了权重约束模块,将在全局上的注意力计算限制到局部范围内,加快了模型的收敛同时减少了模型的计算量。该方法在FAIR1M数据集上在达到了mAP值为21.59%的效果。