遥感图像目标检测旨在通过边界框定位遥感图像中感兴趣目标的位置。准确而快速地检测出遥感图像中感兴趣目标是后续分析与利用遥感数据的基本步骤之一。它被广泛应用于城市规划、地理信息获取、军事国防等重大领域。随着遥感成像技术的不断发展,遥感图像的分辨率越来越高,高分辨率遥感图像中包含更加丰富的细节信息和结构特征,这些新的变化给传统的目标检测任务提出了新的挑战。传统的遥感图像中目标检测算法主要依赖基于经验规则设定的特征描述算子;这类算子需要针对不同特征的目标人工设置一些经验参数,在面对海量的遥感图像数据时准确度和鲁棒性均偏低。目前,以R-CNN系列算法和YOLO系列算法为代表的基于深度神经网络的目标检测方法是业界研究的主流;但这些算法主要针对常规图像中的目标检测任务,将这些算法直接运用在遥感图像目标检测上取得的效果却并不理想;究其原因:相较于普通图像,遥感图像中的目标呈现出方向的任意性,目标尺度差异大等特点。因此,本文针对遥感图像的特点,就如何提高遥感图像中任意方向目标检测的精度展开相关研究,具体工作如下:第一,设计了一个用于任意方向目标检测的两阶段多类别旋转目标检测器。该方法首先利用语义特征对锚框的生成进行引导,预测出感兴趣目标的中心位置以及不同位置的尺度和长宽比,从而得到水平方向上高质量目标候选框;其次,通过RRo I学习器将得到的水平方向上的目标候选区域转换成旋转目标候选区域;最后,从旋转目标候选区域中提取出旋转不变特征,应用于目标分类和边界框回归任务。在遥感公共数据集DOTA中进行了大量实验,检测精度达到了78.17（m AP）,高于基准5.1点,在极端形状物体的检测性能上,该方法表现更为突出。第二,在上一个方法的基础上设计了一个结合注意力机制的多阶段旋转目标检测器。该多阶段检测器由三个Io U阈值分别为0.5、0.6和0.7的检测分支组成,每个检测分支的输出用于训练下一个质量更高的检测分支。通过级联回归对逐步改进的候选区域进行重采样,能够保证每个阶段的检测分支都有足够多的正样本,从而减少过拟合问题。在测试阶段使用相同的级联过程,使候选区域的质量随着检测分支不断增加的Io U阈值而提高,而更高质量的候选区域又能和更高Io U阈值的检测分支相匹配。实验表明,本文的方法在DOTA数据集中的检测精度进一步得到了提升,达到了79.98（mAP）。