遥感技术近年来取得了飞速的发展,显示出了广阔的应用前景。作为遥感技术的重要组成部分,光学遥感成像技术广泛地应用于战场监控、灾害监测以及农业监测等众多军事和民用领域中,实现了巨大的社会价值。同时,以深度学习为基础的计算机视觉技术不断发展,如何将其应用于光学遥感图像中,进一步实现应用价值,成为当前的研究热点。基于这一出发点,本文以两阶段深度学习有向目标检测方法为基础,针对有向候选区域生成和基于多尺度注意力的背景干扰抑制两个方面,开展了相关研究。本文的主要工作内容如下:首先,针对目前有向候选区域生成方法研究较少,以及模型对目标方向特征提取不够完善的问题,本文提出了基于旋转等变卷积的有向候选区域生成网络Re ORPN。在有向候选区域的表示上,提出了角点偏移表示法COR,基于水平外接矩形表示有向边界框。Re ORPN以旋转等变特征为输入,采用基于旋转等变卷积的三个并行分支的结构,分别预测COR的分类、水平外接矩形回归和角点偏移回归三组参数,直接生成有向候选区域。与现有方法相比,Re ORPN实现了更高的精度。本文通过在遥感图像目标检测数据集DOTA上进行对比实验、消融实验和增强实验等大量的实验,验证了Re ORPN的有效性和精度提升。然后,针对遥感图像背景干扰严重,而当前基于注意力的干扰抑制方法一般仅关注单一尺度层级的问题,本文提出了基于特征金字塔的多尺度注意力模块Ms AM,通过特征增强抑制背景干扰:在通道注意力上,设计了全尺度感知的多尺度通道注意力模块Ms CAM,在多尺度特征的所有尺度层级上进行通道注意力交互,增强通道注意力的感知能力;在空间注意力上,设计了有监督的多尺度空间注意力模块Ms SAM,通过Bottom-up结构将浅层的空间注意力特征融合到深层中,增强深层特征的空间信息。本文通过在DOTA数据集上的大量实验,证明了Ms AM能够有效地提高精度并降低虚警。