随着深度学习和遥感信息技术的快速发展,光学遥感图像目标检测的性能有了显著的提升,在军事和民用领域有着巨大的应用价值。然而光学遥感图像存在背景复杂,目标尺度变化大,小目标等问题,加大了光学遥感图像目标检测的难度。此外,基于深度学习的遥感图像目标检测算法虽然准确率较高,但是模型复杂,参数量大和计算量高,对硬件资源有较高的要求,使得此类模型不易部署在卫星和嵌入式设备等硬件资源受限的平台。因此目前的光学遥感图像目标检测方法仍有广阔的提升空间,研究性能更好、结构更高效的目标检测算法具有重要的研究意义和应用价值。基于上述问题,本文在实时目标检测算法SSD的基础上进行研究,提升SSD模型在光学遥感图像上的检测准确率,并对SSD模型的特征提取网络进行轻量化处理,实现高准确率的、轻量级的实时目标检测。主要改进工作如下:(1)针对光学遥感图像中目标尺寸较小,背景复杂,目标尺度变化大的难点,本文提出了一个基于SSD的改进方法AF-SSD。首先设计了一个多层特征融合结构将高层特征的语义信息引入到浅层特征中,提升浅层特征的语义信息;其次设计了一个双路注意力模块,通过空间注意力和通道注意力对特征信息进行筛选来抑制特征的背景噪声和增强关键特征,并通过多尺度感受野模块,进一步增强特征的表示能力;然后改进SSD模型的损失函数,解决SSD中存在的正负样本不平衡的问题。最后通过多组对比实验验证了本文方法有效性和各个模块的可行性。(2)针对传统卷积神经网络参数量大、计算复杂、模型存储空间大的问题,结合轻量级卷积神经网络Shuffle Netv2和SSD,设计了一个易于部署和使用的轻量级实时遥感目标检测算法SSDLite。并且针对Shuffle Netv2网络的感受野受限,浅层特征表征信息不足的问题,优化Shuffle Netv2的基本单元。首先将基本单元中的3×3的深度卷积替换成两个1×5和5×1的深度卷积,扩大模型的感受野,并缓解使用大尺寸卷积带来的参数增加的问题;同时,为了使模型的准确率不受训练时的批量大小的影响,利用组归一化代替基本单元中的批归一化,从而使模型能够以较小批次训练而不影响模型的准确率。实验结果表明,SSDLite在保证准确率的前提下,拥有更少的参数量和存储空间以及更低的计算复杂度,能够在CPU上达到实时检测。最后,结合轻量级特征提取网络和AF-SSD的方法在两个遥感数据集上进行了综合实验。实验结果表明,本文所设计的方法有较高的准确率,并且在损失较少精度的前提下,极大地压缩了模型的存储空间和计算量。同时,通过多组对比实验验证了本文所设计的模型的有效性和可行性。