随着遥感技术的飞速发展及传感器成像分辨率的提升,基于遥感影像开展目标检测已成为计算机视觉（CV）中举足轻重的研究方向之一。近年来由于硬件算力的突破,以深度学习为基础的目标检测方法迎来了井喷式增长,这一技术也被研究者带到了遥感领域。但是,由于大视场的遥感影像往往具有背景复杂、目标尺度差异大、小目标密集排列以及目标方向任意等问题,目前普遍使用的基于深度学习的通用检测器在遥感影像上表现欠佳,现有的一些针对性改进网络一定程度改善了其在遥感影像上的表现,但上述问题依然存在。因此,本研究构建了一种面向复杂大视场光学卫星遥感影像多类目标的检测技术,主要创新包括基于三维注意力与递归多尺度的特征优化网络,以及基于动态锚匹配的旋转目标检测方法两个部分。其中的关键内容如下:（1）针对遥感影像背景复杂,各类目标尺度差异大以及存在大量的小目标密集排列,现有方法在特征提取阶段并未充分挖掘特征信息的问题,本研究构建了基于三维注意力与递归多尺度特征融合的目标特征优化网络。其中三维注意力模块通过优化定义的能量函数,挖掘每一个神经元的重要性,以无需任何参数的方式为特征图推导出了三维注意力权值,增强了复杂背景中的目标特征表征,尤其小目标的特征,抑制背景及近近邻目标带来的噪声信息。递归多尺度特征融合网络通过将FPN的输出反馈入自下而上的Res Net主干网络,同时在接口处采用了ASPP,提升了特征图的感受野及多尺度性能,再通过融合模块融合两次递归操作的输出,促进低层纹理信息与高层语义信息的递归深度融合,实现更为鲁棒的特征提取,为后续遥感目标的高精度检测奠定了特征基础。（2）针对光学遥感影像俯瞰视角的特殊性,遥感目标存在密集排列且方向任意的特点,目前常用的基于水平框的检测方式无法适应的问题,本文构建了基于动态锚匹配的旋转目标检测方法。具体包括对Anchor的设计与分配策略,对旋转框表示中存在的边界问题的解决方案,对损失函数的设计以及对NMS的改进。首先通过基于匹配度（MD）的动态锚选择获得了更优的Anchor分配。其次RDIOU-Smooth-L1旋转框回归损失函数的提出,解决了旋转框表示中存在边界问题,以及回归中存在的smooth L1损失和基于IOU的评估指标之间存在错位的现象。另外分类损失的设计结合了Focal-loss与匹配补偿因子,平衡了正负、难易样本同时对不同定位潜力的正样本进行了区分。最后通过在NMS阶段引入检测框中心点距离以及方向信息,构建了RDIOU-NMS,对任意方向且密集排列的目标既有效保留了紧邻的目标框又剔除了重复的检测框。本文在大型公开遥感影像数据集DODA-v1.0以及HRSC2016上对上述各模块以及方法整体分别开展了消融实验和对比实验验证,证明了上述各模块以及方法整体的有效性。