随着人工智能的不断发展,深度学习的各类算法也逐渐应用于日常生活的各个领域。其中图像检测的应用最为广泛,而遥感图像的识别和分类在众多领域都有着独特的价值和意义。本文主要研究遥感图像中车辆的目标检测,其应用可以有效的将遥感图像中的车辆目标检测出来,在交通管理、路线规划和车流量检测等领域可以得到广泛的应用。所以本文基于YOLOv3深度学习神经网络,对其进行适用于遥感图像特点的目标检测做出了相应的改进,使得YOLOv3神经网络模型在图像的小目标检测更加的准确。本文提出的方法模型可以分为两个部分:第一,根据遥感图像尺寸大而要检测的目标在整体图像中范围小的特点,提出了一种基于YOLOv3的改进神经网络模型。该模型将YOLOv3中划分区域较大的栅格化处理变为适用于遥感图像中小目标的检测,使其适用于遥感图像上的小目标检测。其次,用K-means算法计算适用于车辆检测的栅格大小,然后使用YOLOv3对数据集进行训练,得到用于检测遥感图像中车辆的网络模型,并将得到的模型进行测试,最终得到适用于遥感图像的车辆检测模型。经实验验证,此方法可以有效地检测出遥感图像中的车辆并有较高的准确率。第二,针对遥感图像中车辆目标被树木或房屋所遮盖的问题,第一部分提出的改进方案对于YOLOv3的改进后的网络模型的实际应用中对于没有遮挡物的车辆目标有着很好的检测效果,但对于树木或者房屋遮挡住面积超过50%的车辆目标检测效果并不理想。在第一部分方案的基础上,本文提出了一种基于图像预处理的遥感图像中车辆检测方法,该方法能有效检测出有遮挡的车辆目标。对实验训练集和测试集中的遥感图像进行预处理,在其数据集输入网络模型之前进行膨胀和腐蚀的处理,使得遥感图像中车辆目标得到加强,又对数据集中图像进行扩展和增强,然后对YOLOv3网络模型进行改进,在其中增加了多尺度多层次特征融合,进一步加强了网络模型对于小目标检测的精度要求,提高了遥感图像中车辆检测的准确率。综上所述,针对高分辨率卫星遥感图像中的车辆小目标检测,本文改进后的网络模型比原始的YOLOv3模型具有更好的检测效果,通过实验分析可证明本文方法的有效性和检测精度都有进一步的加强,说明改进后的YOLOv3网络模型具有一定的研究意义。