近年来,深度学习在目标检测领域取得的巨大成功,模型的检测性能得到了很大的改善。遥感图像目标检测在众多领域都有着广泛的应用,随着海量的遥感数据出现,为遥感图像目标检测提供了大量的数据用于模型的训练和测试,但遥感图像来源以及地理空间尺度等方面的不同,使得模型对遥感图像中的目标进行高质量检测和多尺度检测成为了当前的一大难题。针对上述问题,本文基于深度学习模型中的Cascade R-CNN模型,对遥感图像的高质量检测和多尺度检测进行了深入探讨。本文的主要结论如下:（1）针对遥感图像高质量目标检测的问题,本文通过修改Cascade R-CNN模型各阶段探测器的Io U（Intersection over Union）阈值、候选框回归损失函数和模型测试阶段的Ro I（Region of Interest）分配策略,提出了Cascade R-CNN++模型,使得Cascade RCNN模型的探测器数量由3个提升至5个,模型的检测性能得到提升。本文将Cascade R-CNN++模型与主流的模型在DOTA-v1.5数据集进行了对比实验,实验表明,Cascade R-CNN++模型具备更高的检测精度,且在多尺度遥感图像上具备更强的鲁棒性,模型最终输出的候选框质量也更高。（2）针对遥感图像多尺度目标检测的问题,本文通过将两个不同尺度下训练的Cascade R-CNN++模型对同一尺度的数据集进行测试,将其得到候选框进行集成,筛选出最为准确的候选框输出,以提高模型在检测多尺度遥感图像上的性能。本文将集成后的模型在DOTA-v1.5数据集和重采样后的多尺度数据集上进行对比实验,实验表明,融合后的Cascade R-CNN++模型可以适应了不同尺度的遥感数据集,对多尺度的遥感图像检测性能较好。