近些年,随着高分辨率对地观测卫星技术的快速发展,基于遥感影像的目标检测技术正逐步被广泛应用于军事观测、国土调查、灾害预防等活动中。同时,基于深度学习的目标检测算法凭借其卓越的性能已经成为目标检测领域的主流方法,研究证明基于卷积神经网络（Convolutional Neural Network,CNN）的YOLO系列单阶段目标检测算法在遥感数据集上具有较为优越的性能。但目前典型的计算平台CPU难以支撑其数以十亿计的浮点计算量,而国产人工智能芯片寒武纪MLU100作为一款特殊应用集成电路,在高能效且需求灵活的场景十分适合用作CNN的硬件加速器。本文针对遥感影像目标特点,结合寒武纪MLU100硬件架构特点对遥感影像目标检测展开研究。在YOLOv3算法的基础上针对性改进模型以提高对遥感目标的检测精度,并实现了算法和MLU100计算平台间的高效融合,最大化地提高了硬件资源利用率。论文主要工作及贡献如下:（1）提出了YOLOv3多阶段改进算法。在该算法中,提出锐化滤波注意力机制,由通道注意力、锐化滤波空间注意力模块和短路连接构成,增强目标边缘信息并抑制干扰特征;将VoVNet单连接思想引入骨干网中,使用单连接代替网络中的部分残差连接,不增加连接数量的同时增强层间信息的共享率;提出基于多支路空洞卷积的特征增强模块,有效增强特征提取网络的感受野,提高了骨干网络的特征提取能力;使用WBF候选框筛选算法代替传统的NMS算法,有效提高了预测框的位置精度。经过实验证明,相较于原始YOLOv3算法,这些改进分别将模型的平均检测精度（mean Average Precision,mAP）提升了1.4%、2.4%、2.1%及0.7%。（2）实现了改进算法在寒武纪MLU100硬件平台上的高效部署。通过Roofline模型分析了MLU100计算能力和改进YOLOv3模型性能,确定YOLOv3在MLU100平台上处于带宽瓶颈状态,通过前移注意力模块和特征增强模块提高MLU100的算力利用率;经过模型优化、模型训练、模型框架转换、算子移植、模型量化、在线和离线模式部署等步骤,将改进算法完整移植到寒武纪MLU100硬件平台上;在YOLOv3后处理算子移植过程中,使用数据划分策略实现了对MLU100片上内存的时分复用,降低了访存时间消耗;最后研究了算法在不同模型并行度、数据并行度下的执行效率。在本文收集整理的数据集上,实现了改进算法105 FPS的处理速度和68.1%的mAP。（3）在寒武纪MLU100硬件平台上设计并实现基于QT的遥感影像目标检测显示系统。该系统具备模型选择、图像视频检测和实时结果显示等功能,支持多种目标检测算法。使用图像预处理、算法推理、图像显示三个线程并行流水线处理图像或视频,充分利用CPU的多核处理能力和MLU100的计算性能,提高了目标检测算法的处理速度,实现了对遥感图像的高速检测和显示。