随着通信技术、空间定位技术、遥感技术和地理信息系统等技术的不断进步,无人机遥感影像的需求和使用逐渐提升。作为遥感影像典型应用之一,无人机遥感影像的目标检测任务一直受到研究者的广泛关注,其对于城市规划、环境监测、动物保护、军事目标打击、异常情况分析等都具有极为重要的意义,是智能化遥感信息处理的一项重要任务。然而,由于无人机的灵活性,不同无人机遥感影像上的视角、影像背景区域分布和目标尺寸等都具有较大差别,增加了无人机遥感影像的处理难度。相对自然场景图像和其他遥感影像,无人机遥感影像中的目标检测问题存在更多难点和挑战:无人机遥感影像存在多种不同的视角,如俯视视角、倾斜向下视角、水平向前视角等多种拍摄视角,这导致了无人机遥感影像中的目标检测更加困难;无人机传感器距离目标较远,影像图幅较大,不同影像中背景区域分布差异较大且更加复杂,加大了无人机遥感影像上目标检测的难度;此外,影像中存在大量多尺度目标,且不同影像上目标的尺度分布情况差异较大,这对目标检测带来了较大的挑战。针对上述问题,本研究开展了一系列无人机遥感影像目标检测方法的研究。论文的主要研究内容如下:（1）针对无人机遥感影像中视角多变导致目标检测困难的问题,论文研究了基于对抗网络的跨视角目标检测方法。该方法首先研究了基于双分支对抗网络的方法,通过引入单一视角的卫星影像数据集,采用交替训练的方法对单视角影像和无人机影像进行训练。同时,本研究在常见目标检测方法的基础上,通过设计的多尺度判别网络,构建了基于对抗网络的跨视角目标检测网络结构,激发目标检测网络在多视角下的特征对齐性能。此外,论文还设计了基于对抗网络方法的网络优化策略,通过设计的判别损失函数、对抗损失函数和目标检测损失函数,提升了训练过程中对跨视角特征的学习能力。（2）针对无人机遥感影像复杂背景给目标检测带来的问题,论文研究了基于密度自适应估计的复杂背景目标检测方法。该方法首先研究了密度图真值的生成方法,利用目标检测标签生成影像的密度图真值。同时,该方法设计了密度自适应估计网络,构建了基于密度自适应估计的复杂背景目标检测网络结构。通过该网络结构,促进目标检测过程的同时,自适应地生成以目标中心点位置为关注点的目标密度估计图,提升网络特征提取过程对影像中的目标前景信息进行学习提取的能力。此外,论文还设计了密度自适应估计方法的网络优化策略,通过设计的密度估计损失函数,提高训练过程中的网络优化性能。（3）针对无人机遥感影像中存在的大量多尺度目标,导致的目标检测效果不佳的情况,论文研究了基于全局密度融合网络的多尺度目标检测方法。该方法研究和设计了全局密度网络,增大网络特征提取部分的感受视野域,提升网络对全局信息的学习能力和不同尺度目标的感受能力。同时,该方法构建了基于全局密度融合网络的多尺度目标检测网络结构,通过将设计的全局密度网络与常规多尺度的目标检测网络的融合,进一步促进网络对不同尺度目标分布的学习。此外,论文还研究和设计了目标回归网络的网络优化策略,提高训练过程中的网络优化性能。针对无人机遥感影像中不同场景下的视角多变、复杂背景和多尺度目标给目标检测带来的困难和挑战,论文分别提出了三种不同的目标检测方法。论文的主要贡献包括:（1）提出了基于对抗网络的跨视角目标检测方法,通过引入单视角的卫星遥感影像,设计了跨视角目标检测网络结构和网络优化方法,提升网络对跨视角特征的提取性能和视角多变场景下的目标检测结果;（2）提出了基于密度自适应估计的复杂背景目标检测方法,利用目标检测标签生成影像的密度图真值,同时设计了密度自适应估计网络和网络优化方法,提升了复杂背景下影像前景信息的学习能力和目标检测结果;（3）提出了基于全局密度融合网络的多尺度目标检测方法,利用设计的全局密度网络和网络优化策略,提升目标检测方法对影像中目标全局特征的提取能力和对多尺度目标的检测准确性和鲁棒性。论文选取了两个公开的无人机遥感影像数据集作为三种方法共同的实验数据,与现有的方法进行了定性定量对比,验证了论文提出的方法能够有效检测出不同场景下的目标,并提升了目标的检测指标结果。同时,论文还分别选取了具有视角多变、复杂背景和多尺度目标场景的三个不同的真实项目数据,分别在不同的方法下进行了目标检测实验,实验结果成功应用到了不同的项目中。