在遥感图像解译的研究中,目标检测一直占据着重要的地位。遥感技术的不断发展,促使了越来越多高分辨率光学遥感图像出现在人们的视野。光学遥感图像目标检测应用广泛,在军事和民用领域都有涉及。近年来,深度学习发展迅速,被用于各种计算机视觉任务中。由于自身强大的特征表达能力,卷积神经网络(Convolutional Neural Network,CNN)在自然场景图像分类和目标检测任务中表现十分出色。当前,将卷积神经网络应用于光学遥感图像目标检测任务的研究取得了一些进展。本文针对目前光学遥感图像目标检测存在的一些问题,如目标尺度变化范围大、图像背景复杂、对比度低、目标外观多样复杂难以检测等,提出了三种目标检测算法:(1)针对光学遥感图像目标尺度变化范围大,导致检测困难的问题,提出了基于多尺度特征融合的遥感图像目标检测方法。该方法以VGG16模型为基础的网络架构,使用区域提议网络(Region Proposal Network,RPN)生成候选区域,是两阶段的目标检测算法。通过采用从顶至底的连接方式融合不同层次的特征,增加网络对不同尺度目标的适应性,提高目标检测精度。此外,在检测头部网络中,对不同层次特征图上候选区域特征也进行了融合。这种融合方式结合了目标细节及其邻域信息,为检测目标提供了线索。为了避免网络训练时出现由训练数据不足造成的过拟合问题,算法对图像进行水平翻转以增强数据集,同时采用了迁移学习方法进行网络训练。(2)针对光学遥感图像背景复杂、对比度低,导致目标检测精度低的问题,提出了基于注意力模块的遥感图像目标检测方法。该方法是对(1)中多尺度特征融合目标检测方法的改进。改进点可以从两方面来说。首先,设计了多分支卷积层。多分支卷积层使用不同大小的卷积核对输入特征图并行处理,并结合处理后的结果,可以增加网络宽度,提高网络的特征表达能力。其次,使用了构建的多种注意力模块。这些模块包括空间注意力模块、通道注意力模块以及像素注意力模块。注意力模块对光学遥感图像特征进行加权,减少了噪声干扰,提高了目标的显著性,引导模型对目标的学习,从而提高遥感目标的检测精度。(3)针对光学遥感图像中目标外观多样复杂难以检测,以及对目标空间结构信息理解不充分导致检测精度低的问题,提出基于多模型决策融合的遥感图像目标检测方法。该方法中,上下文信息融合子网络融合了局部上下文信息与目标之间关系上下文信息,可以有效识别目标,减少外观相似但却属于不同类目标之间的错误检测。多区域特征融合子网络对目标多个部分特征进行融合,可以挖掘更多目标结构细节,增加语义信息,从而提高检测精度。此外,该方法还设计了一种多模型决策融合策略,用来融合多个子网络的输出,从而获得最终的检测结果。该策略可以使模型更鲁棒,获得更好的检测结果。