遥感技术是一种利用传感器远距离探测物体的技术。随着遥感技术的快速发展,我们能够获得的遥感数据也越来越丰富。遥感技术在农业、林业、生态、军事等众多领域将会有广泛的应用前景。如何高效处理遥感数据,将会成为一个重要的亟待解决的问题。遥感图像的成像方式可以分为航空摄影、微波成像等方式,其中航空图像更接近于普通图像。本文的研究对象以航空图像为主。本文主要对航空遥感图像的目标检测问题进行研究。我们引入深度学习中的卷积神经网络算法,实现遥感图像目标检测任务。航空遥感图像通常有一些特殊性:高分辨率,尺度多样性,小目标密集排列,目标方向任意性等等。为了适应遥感图像的特殊性,我们设计了随机滑动裁剪的数据增强方式,以便于神经网络的学习。我们针对遥感图像设计了两种回归方法,基于顶点的回归和基于角度的回归,并且对两种方法都做了优化,进一步提升网络的学习能力。同时,我们在检测的基础上,利用矩形框信息,引入一个分支做掩膜分割任务,并使用分割结果来优化检测结果。我们以通用的Faster R-CNN为基础算法框架进行实验,使用新设计的数据增强方式,针对两种回归方法进行改进,并基于掩膜分割方法进行优化。最终我们在DOTA遥感图像数据集上得到最优mAP为73.69%,相较于基准Faster R-CNN方法提升近10个百分点。