可见光遥感图像在军用和民用领域都发挥着重大的作用,可以应用在灾害控制、海洋监控、城市规划、生态环境监测等诸多领域。随着遥感技术的快速发展以及卫星和航天器的增多,我们能得到数量更多、分辨率更高的可见光遥感图像,图像中小型目标更加清晰可见,这既显著提高了可见光遥感图像的信息含量,又对其目标检测方法和技术的精确性提出了更高的要求。基于深度学习的目标检测算法已在自然图像目标检测领域取得了优异的成绩。但由于可见光遥感图像的成像机制与自然图像差异很大,直接将在自然场景中表现优秀的目标检测网络迁移到可见光遥感图像目标检测任务中,往往检测效果并不理想。因此,本文主要研究基于深度学习的可见光遥感图像目标检测算法,针对可见光遥感图像目标检测中的部分重点和难点问题,提出了两种先进、适用的可见光遥感图像目标检测算法,具体如下:（1）针对传统的RetinaNet网络应用在可见光遥感图像目标检测任务中时,出现对小目标和密集排列目标检测效果差的问题,提出了基于RetinaNet的改进算法。首先将特征提取网络运用分组卷积的思想进行改进,在不增加参数量的情况下增强特征提取能力。其次,在特征金字塔网络FPN中加入平衡特征金字塔模块,将特征金字塔网络输出的每层特征进行融合和增强,并使用非局部神经网络对增强的特征进行精炼,增强有用的特征信息。最后使用GIOU loss来对边界框的回归损失进行计算。实验结果表明,本文的改进算法与传统的RetinaNet网络相比,检测精度得到了大幅度提高。（2）针对基于锚框的检测算法的性能严重依赖于人工设置的先验锚框参数,限制了检测网络的泛化性和鲁棒性的问题,本文引入FCOS无锚框算法并在其基础上进行改进,使用神经网络结构搜索方法对特征金字塔结构进行重新构建,生成更好的多尺度特征。然后在FCOS网络的检测头中加入角度回归分支,使其能够对旋转框进行检测。实验结果表明,本文改进的无锚框检测算法的检测精度相比其他检测算法更加优越。