遥感图像目标检测是遥感图像智能解译分析的一个重要研究领域。随着近些年来遥感技术和深度学习技术的快速发展,以及遥感图像目标检测技术在军民领域广泛的应用需求,如何利用卷积神经网络（Convolutional Neural Network,CNN）提高遥感图像目标检测性能并应用到现实场景中已成为该领域的研究热点。与基于模板匹配、基于统计判决等的传统方法相比,基于CNN的方法利用多层网络自主学习样本特征,并具有强大的表征能力,极大的提高了运行速度、检测精度和对数据的适应性。但由于遥感图像固有的特性,导致目标呈现出尺度差异大、方向分布随机、背景干扰大等等特点,使得基于CNN的目标检测仍面临着漏检、虚警较多、边框定位不准等问题,有待进一步研究突破。针对遥感图像多类多尺度目标的检测问题,本文在研究背景及相关理论分析的基础上展开了深入的研究,本文主要工作如下:面向遥感图像多尺度目标的检测,设计了一种基于特征增强和锚点自动生成模块的多类多尺度目标检测框架。该框架在特征提取网络中引入可操控的空洞卷积模块来动态的调整感受野大小,以提取不同尺度的目标特征信息。在特征融合网络部分设计了增强特征金字塔,构造短接支路将原始特征图信息与金字塔特征图融合,实现特征增强,旨在提高网络对多尺度信息的表征能力。在候选区域生成网络中利用锚点自动生成模块学习更加准确的锚点框信息,生成更高质量的稀疏的锚点框。与多个对比算法的实验结果对比证明,本章方法均能取得最高检测精度,证明所提方法对于多类多尺度目标的特征提取效果更好,能够更加准确的检测遥感图像多尺度目标。面向遥感图像旋转目标的检测,提出了基于多尺度注意力特征金字塔网络和滑动顶点回归机制的目标检测方法,首先构造特征提取网络,通过加深特征提取网络的层次得到更高层次的语义信息,增强网络对于目标多尺度特征的提取能力。在多个尺度的融合特征图上使用组合注意力模块提高有效特征信息的强度,解耦目标区域与背景区域,降低背景信息的干扰。在回归阶段引入滑动顶点回归机制,通过学习边框四个顶点对应的滑动比例和旋转因子,将水平框转换为旋转框,加强网络对于不同方向目标的边框位置学习能力。实验结果表明,所提算法能够更加准确的检测遥感图像中的多类多尺度的旋转目标。