随着遥感技术的蓬勃发展,高质量光学遥感图像的获取变得越来越容易,基于遥感图像的目标检测技术也已广泛应用于国防军事及民用经济等领域。近年来,基于深度学习的目标检测网络由于良好的特征提取及表征能力,在自然图像目标检测领域中逐渐成为了主流方法,取得了令人瞩目的检测效果。然而,因为遥感图像目标检测任务与自然图像存在较大差异,所以将自然图像的目标检测方法不做针对性调整与改进,直接应用于遥感图像效果并不理想。本文在充分分析光学遥感图像自身属性及特点的基础上,针对遥感图像特点及其目标检测任务的难题,提出了更加适用于遥感图像目标检测的网络框架,提高了检测性能。本文主要研究内容和创新点如下:（1）针对遥感图像分辨率高,检测速度低的难题,本文基于一阶段目标检测方法FCOS进行研究与改进,以逐像素预测的方式通过端到端网络检测目标,同时达到良好的检测精度与速度。本文采用简单、高效的Res Net-50作为骨干网络来提取特征,在提高模型特征表示能力的同时增快网络的训练及检测速度。（2）受到拍摄环境及场景多变的影响,遥感图像的背景分布较为复杂,难以与目标区分,对目标检测造成较大干扰。针对背景分布复杂,对目标检测任务干扰较大的关键难点,提出了一种结构张量提取模块来高效提取遥感图像中感兴趣目标的结构特征和空间细节,达到从分布复杂的地物背景中筛选出重要且关键的目标特征的目的。针对遥感图像中密集微小目标细节特征少且在卷积神经网络高频次下采样操作中不断损失的难题,提出了一种基于注意力机制的结构引导特征转换模块,将结构张量提取模块得到的感兴趣目标结构及细节特征作为可学习的权重,自适应地将结构及细节特征引导并融合到检测网络的末端,最大程度地保留和增强遥感图像中目标的结构特征及空间细节,有效提升了密集微小目标的检测性能,整体精度提升1.94%。（3）受到传感器拍摄角度和高度的影响,即便是遥感图像中的同类目标,也具有多种多样不同的尺寸和形态,类内差异性很大,缺乏显著的特征信息。考虑到遥感图像类内差异大,同一类别的显著特征提取困难,针对遥感图像目标尺度多样,类间相似性高,类内差异性大,导致检测难度加大的问题,提出了一种多尺度混合残差模块,在残差块中构建具有不同卷积核大小的混合分层类残差连接来更细粒度地表征多尺度信息,扩大网络感受野,丰富特征中的多尺度信息,提高了网络多尺度特征的表征能力,进一步提高了遥感图像中多尺度目标的检测性能,整体精度提升4.12%。为了评估本文方法,首先进行了消融实验,验证了每个模块的有效性。然后将本文方法与现阶段流行的目标检测方法进行对比实验,验证了本文方法的优越性。最后通过在两个遥感数据集上的实验结果,验证了本文方法的鲁棒性。