近些年,在深度学习理论的推动下,面向遥感智能解译任务的目标检测技术得以迅速发展,并被广泛应用于自然灾害监测、城市规划、军事情报获取等领域。然而,随着遥感数据量急剧增加,遥感图像呈现出背景复杂的特点,这在一定程度上削弱了遥感图像中重要的目标特征。为增强目标特征在遥感图像中的显著性,从而有效地抑制复杂背景对目标检测的影响,当前许多算法基于卷积神经网络去构造多级融合特征,并借助于各种有效的场景辅助信息,以增强对遥感目标特征的表达能力。尽管这些方法能够从海量的遥感数据中高效准确地提取出目标的关键信息,从而提升对遥感物体特性的适应能力,但对目标的形状特性描述仍不够充分。针对这一问题,本文进行了深入研究,主要工作内容如下:第一,考虑到遥感物体普遍存在对称性,而对称物体在各种复杂环境下均能维持中心不变性,提出了一种中心感知模块（Centerness-Aware Model,CAM）,通过强化物体中心特征而达到感知目标对称形状的目的。CAM包括三个子模块:多尺度中心描述符（Multi-scale Centerness Descriptor,MSCD）、中心检测头（Centerness Detection Head,CDH）和特征选择模块（Feature Selective Module,FSM）。首先,MSCD利用视觉注意机制对多级特征进行逐像素加权,用以突显目标的中心语义信息;然后,CDH利用并行的分类与定位分支,逐像素地捕获多级特征上的中心语义信息;最后,FSM对捕获到的中心语义信息进行分析,引导CDH从多层级中心特征中选取最优特征级别。被选择的特征级别用以描述目标中心区域的最佳语义信息,有助于网络逐步适应遥感场景中物体的对称形状。第二,将CAM嵌入到特征金字塔网络中,得到一种基于无锚框的中心感知网络（Centerness-Aware Network,CANet）,用来检测遥感图像中的目标。CANet以特征金字塔网络为骨干,生成包含全局信息与细节信息的多级融合特征,然后将多级特征输入CAM中产生包含形状信息的特征,以增强网络对遥感目标对称形状的描述能力。实验结果表明,CANet通过利用中心感知模块捕获目标的对称形状特征,有效提高了遥感图像目标检测的效果。