利用目标检测技术从高分辨率遥感图像中提取感兴趣目标的类别和位置信息,在侦查监视、资源勘探等方面具有重要的价值。随着深度学习的快速发展,极大地提高了遥感图像目标检测的精度。为提高复杂场景下遥感图像典型目标的检测精度,同时兼顾实时性需求,本文在YOLOv3模型基础上进行检测分支的优化设计,并采用网络剪枝技术实现模型的压缩,降低了模型复杂度,提高了检测速度。论文的主要工作如下:（1）为解决遥感图像中存在的目标尺度差异大、小目标数量多等难题,提出了一种基于改进YOLOv3的遥感图像目标检测模型。首先,为提高对遥感图像中小目标的检测精度,增加了具有较小感受野的特征图像的检测分支。然后,设计了一种多尺度特征图像自适应加权融合方法,通过挖掘特征提取网络的表征能力,综合利用多尺度特征提高了目标检测精度。最后,选取DIOR数据集的部分标注目标整理为AVSS数据集,将改进后的模型在AVSS数据集上进行训练和测试,提高了平均精度均值（mean Average Precision,m AP）,验证了改进模型的有效性。（2）为进一步提高基于YOLOv3模型的目标检测实时性,设计了一种基于网络剪枝的模型压缩方法。首先,通过缩减YOLOv3网络中卷积层的特征通道数量,降低了模型的参数量和计算量。然后,基于批归一化（Batch Normalization,BN）层缩放因子对模型进行网络剪枝,进一步降低了模型复杂度。采用AVSS数据集进行实验,经过网络剪枝后的模型有效降低了参数量和模型大小,显著提高了检测实时性,实现了检测精确度、模型容量和检测速度的平衡。最后讨论了输入图像尺寸对模型性能的影响,并与其他轻量化目标检测模型进行了对比实验。最后,对全文工作进行了总结和展望。