随着遥感技术的飞速发展,越来越多的行业开始出现对遥感图像的相关需求。而随着遥感分辨率和数据体量的不断提升,使用人工处理数据的方法已经无法满足需要。因此如何实现高效、精准的自动化数据处理方式已经成为当前的一个研究热点。近年来发展迅速的人工智能和深度学习技术为遥感图像目标检测领域开拓新的道路,并表现出不错的潜力。因此本文以目标检测为基础,结合遥感图像检测方法开展深入研究。本文针对当前主流目标检测算法应用在遥感图像领域中所遇到的难点进行分析,并结合遥感图像目标的特点进行进一步研究。首先对数据集分析可知,遥感图像中目标的尺度差异较大,轮廓特征和纹理特征丰富,小尺寸目标数量较多,且分布十分密集。小尺寸目标所包含的信息较少,在模型训练过程中容易丢失,使模型对小目标的学习不够充分,密集的分布进一步造成目标特征信息混淆,使模型对此类目标的检测效果较差,出现严重的错检漏检现象。其次遥感图像中的目标多数具有方向特征,而当前主流的目标检测模型通常使用水平锚框的标注方式,导致模型无法表现出遥感目标的方向性,且在检测部分长宽比较大的目标时只能概括的表现其大小,无法精准定位实现高质量的检测。针对以上问题,本文所开展的工作如下:（1）提出一种基于密集连接与特征增强的遥感图像目标检测算法。引入密集连接网络,通过密集连接模块中频繁的特征融合,加速模型参数的更新与信号传播,有效改善模型的特征提取能力并使网络轻量化。本文还提出一种特征增强模块,依据感空洞卷积原理丰富模型感受野,提升网络对特征信息的敏感度,缓解小尺度目标的信息丢失现象。（2）针对遥感图像背景复杂,且目标具有方向特征的问题,本文提出了一种基于旋转框生成网络的遥感图像检测方法。首先通过超分辨率生成网络提升遥感图像质量,之后使用CSL环形平滑标签,实现多角度遥感图像目标检测,使预测框更贴合物体真实情况,以此来实现高质量的检测。同时引入坐标注意力机制,通过通道与空间两个维度构建注意力权重,提升待检目标的信息并弱化背景干扰,进一步优化模型检测性能。在本文整理的数据集上进行实验,结果表明本文的方法在遥感图像检测精度上提升显著,错检漏检现象得到有效缓解。并且本文的方法对具有方向属性的目标定位更加精准,有效表现出目标的方向特征。