随着遥感技术的不断发展,遥感图像处理逐渐成为了当前热度比较高的一项研究课题,尤其遥感图像目标检测领域更是现在的研究热点。经过对近几年专业文献以及大量数据的研究发现,在遥感图像目标检测方面仍有以下难点有待解决:首先,遥感图像中的物体千奇百态难以发现其内在的规律,图像中涵盖了大量的小目标物体难以进行精确的检测;其次,图像的场景复杂以及容易受到云雾光照等影响,增加了目标识别的难度,提高了目标丢失或遗漏的可能性,对检测的结果产生了影响。现如今,随着遥感数据的不断增多,算法性能也得到了逐步完善,对目标检测模型提出了更高的质量检测要求。鉴于此,本文提出了改进的Cascade R-CNN模型。主要工作如下:（1）针对遥感图像中的小目标物体较多,背景复杂,在检测的过程中容易出现目标丢失或遗漏的问题,本文在Cascade R-CNN目标检测模型的主干网络中设计了一种SGRes Net（SE Group Residual Network）网络结构。该结构采用分组卷积的方式拓宽网络宽度来增强主干网络对目标特征的提取能力,并将压缩激励（Squeeze and Excitation,SE）模块嵌入到残差块结构中,增强感兴趣特征的同时可以抑制类似背景部分的特征,降低遥感图像中重要特征的丢失。（2）针对遥感图像中的物体大小各异,尺度不一,容易造成目标漏检的问题,本文根据不同目标物体的尺度特征,对锚点框的数量和大小不断进行调整,并在多次实验的基础上进行分析,设计出适用于遥感图像的锚点框尺度。（3）针对感兴趣区域池化层（Region of Interest Pooling Layer,ROI Pooling）中将不同大小的感兴趣区域转化为相同大小时所存在的量化操作,使得候选框的位置出现偏差,导致模型检测性能降低的问题,本文提出了一种感兴趣区域连续池化（Roi Continuous Pooling,RCP）算法。该算法将候选区域中所有离散像素点的坐标连续化并求取其平均值,这样不仅取消了原算法中的量化操作,而且感兴趣区域中所有的像素值都有梯度的传递,使得模型在边框回归过程中对目标的定位更加准确。（4）针对数据集样本不足的问题,本文采用翻转（水平、竖直）、旋转（90°）、加入椒盐噪声、调整图像的饱和度等方法对数据集进行扩增,以提高系统的鲁棒性。实验结果证明本文的方法使遥感图像目标检测精度得到明显提高,误检和漏检情况得到了明显改善,在遥感图像目标检测任务中具有较好的应用价值。