随着遥感技术的不断成熟,遥感图片的获取也变得容易,而大量的遥感数据的出现也使得其应用领域逐渐广泛,无论是在国防安全等军事方面上,还是在城市交通规划、农业检测等民用方面上,因此对遥感图像中的重要目标进行检测就有了重要意义。但是传统的目标检测方法在面对遥感图像时,无论是在精度,还是效率又或是通用性上的表现效果都不佳。近几年兴起的深度学习算法,在目标检测领域上的性能已经远远超越了传统的检测算法,但是在对遥感图像进行目标检测时,还需要进一步的改进来保证检测结果。本文基于这种背景下,对遥感图像目标检测进行研究,主要的工作和创新如下:1.构建数据集。网络模型的训练需要大量的数据,但是目前的开源数据集不能满足本文实验的训练要求,因此本文以武汉大学的DOTA数据集为基础并通过Google earth软件截取部分遥感图像,在进行人工标注后一起组成了实验所需的数据集。在本文数据集中主要增加了小目标的样本数量,并将标注格式转换为本文算法所需格式,最后对数据集进行训练集、验证集以及测试集的划分。2.改进深度学习目标检测算法。通过对Yolov5算法进行研究,发现其在遥感图像小目标上的检测中容易出现漏检的情况,针对Yolov5算法的不足之处,做出如下优化:通过增加一种结合空间注意力和通道注意力机制模块,能够加强算法提取出的特征中有意义的部分,再利用边界极限点特征增强的方式来增强锚点的特征表达能力,从而优化目标定位部分。最后,通过与多个算法进行检测结果的对比分析,证明了本文改进后算法的优越性。3.本文在改进Yolov5算法的基础上设计了一个遥感图像目标检测系统,能够在用户上传图片后,系统自动完成对目标检测并将结果返回给用户。在经过测试后证明基本实现系统功能。