目标检测是遥感领域的一个重要研究方向,在军事和民用方向都有重要的应用前景。随着深度学习的发展,卷积神经网络(Convolutional Neural Networks,CNNs)凭借其强大的特征提取能力在自然场景图像分类和目标检测任务中取得了重大的进展,近年来在遥感图像目标检测任务中也得到了广泛的应用。本文在基于卷积神经网络的目标检测方法的基础上,针对光学遥感图像目标检测中由于目标尺度分布范围广、目标尺寸过小、背景复杂、目标分布密集等原因导致检测精度较低的问题,提出了基于多尺度特征融合与方向边界框预测的光学遥感图像目标检测方法,主要工作如下:1、针对遥感图像目标尺度分布范围广导致检测精度低的问题,本文提出了基于改进SSD的光学遥感图像目标检测方法。首先在网络的不同层次处设置了检测层来检测不同尺度的目标。其次在检测结构的设计上,通过在多组卷积得到的特征图的融合结果上预测目标的位置和类别,增强网络对不同尺度目标的适应能力。使用K-Means聚类算法分析数据集目标尺度特性作为默认框设置的参考,使网络更适应遥感图像目标的检测。在测试过程中设计了多粒度检测策略,通过结合遥感图像的不同细化程度的检测结果,进一步提高检测精度。2、针对遥感图像船舶检测中存在的目标尺寸过小导致检测精度低、背景复杂导致检测虚警高等问题,本文提出了由粗到细的船舶检测网络(Coarse-to-Fine Ship Detection Network,CF-SDN)用于光学遥感图像船舶检测。CF-SDN在网络的不同层次处设置了多个检测层,并采用融合了不同层次特征的特征提取结构来提高特征的表示能力,增强小目标的语义信息,从而提升小目标的检测效果。在每个检测层处使用一个由粗到细的检测策略,在传统的分类网络和边框回归网络的基础上增加了一个细分类网络。通过进一步的细分类去除前一步检测中产生的虚警。在测试过程中为了减少陆地上产生的虚警,本文设计了一个综合考虑梯度信息和灰度信息的鲁棒的海陆分离算法,适应于处理复杂情况的光学遥感图像,提高了船舶检测的精度和效率。3、针对密集分布的目标检测困难的问题,本文提出了基于方向边界框(Oriented Bounding Box,OBB)预测的光学遥感图像船舶检测方法。在算法2中CF-SDN的基础上,在每个检测层设置多方向的anchor作为预设的目标候选框,同时检测层的边框回归网络的回归参数加入了目标的方向信息,并介绍了在网络中计算方向边界框的交并比方法,最终网络预测输出是方向边界框。相较于传统边界框,方向边界框增加了目标的方向信息,更贴合地表述目标的位置,因此对于密集分布目标的检测效果更好。