建筑物是城镇区域治理中的关键元素,光学超高分辨率遥感图像中的建筑物检测是航天航空影像分析中的重要内容。在遥感技术不断发展、获得的观测数据更为精细的情况下,利用计算机技术实现准确、快速的建筑物检测在学术和工程方面有着重要意义。获益于深度学习技术在计算机视觉领域中取得的显著成就,基于卷积神经网络（Convolutional Neural Network,CNN）的目标检测（Object detection）方法获得了众多研究者的关注。其提出的多种检测框架也在多数数据集上有鲁棒性佳的表现。常规基于深度学习的目标检测方法由于面向日常场景图像,使用与坐标轴对齐的矩形作为目标物边界框。然而,对于遥感图像,其中的建筑物通常具有朝向性。这使得直接将已有的方法应用于该任务存在理论上的缺陷。本文的主要工作是将朝向回归（Orientation regression）集成于当前常见的、使用坐标轴对齐边界框作为检测结果形式的方法中,构建建筑物朝向性检测模型,以解决建筑物的朝向多样性问题。本文所提出的方法利用CNN进行特征提取和边界框回归。为有利于对网络进行训练,提出的建筑物朝向性检测模型为端到端（end-to-end）结构。在预测环节,构建的模型能够同时输出朝向、方位和尺寸的特性能够使模型获得更紧密的边界框,因此该方法能够在平均精度（mean Average Precision,m AP）上获得更佳的表现。在不同尺寸的遥感图像上的实验表明,该方法相对于常规坐标轴对齐方法有更佳表现。为实现边界框从坐标轴对向任意朝向的转换,本文在提出朝向性检测模型的同时,提出并实现了用于估算平面内具有任意朝向的矩形间交并比的算法。该算法通过常见的深度学习框架可以在图形计算单元（Graphic Processing Unit,GPU）上进行快速实现;为解决遥感图像建筑物朝向性检测数据缺乏问题,在本研究中开发了相关标注工具,并对数据进行了标注。