目标检测是遥感领域的一个重要的研究分支,在城市发展和军事上都有着重要的应用。随着深度学习近年来的不断发展,基于深度学习的方法渐渐取代传统的目标检测方法成为主流的方法,并已经取得了广泛的研究成果。本文在基于深度学习的目标检测方法的基础上,针对光学遥感图像目标尺度分布范围广,分布不均匀,小目标多,背景复杂的特点,以及目前目标检测算法存在的特征不准确的问题,提出了基于可形变卷积与多模型融合的光学遥感图像目标检测方法,主要工作如下:1、针对遥感图像目标尺度分布范围广,分布不均匀的特点,本文提出了改进SSD(Single Shot Multi Box Detector)的光学遥感图像目标检测方法,首先针对目标尺度分布广,目标分布不均匀导致的目标检测算法固定的锚框难以匹配分布不均匀的目标的问题,本文提出了锚框调整算法,通过动态的调整锚框的位置来适应不同的目标分布。其次本文提出了一个特征融合模块融合不同层的特征,增强网络的特征提取能力。然后针对传统非极大抑制算法虚框多的问题,提出了改进地非极大抑制算法进一步抑制虚框,提高准确率。2、针对遥感图像中目标密集导致的检测精度较低问题,本文进一步研究认为这是由于目标检测算法无法准确提取目标区域的特征,针对这个问题,本文提出了使用可形变卷积来提取更准确的目标特征的解决方案,并创新的提出两阶段的可形变卷积采样点调整算法,从而提取更准确的目标区域特征,除此之外,本文还提出了一个注意力模块来增强目标区域的特征,抑制背景的影响。3、单个模型的检测精度是存在极限的,当达到一定精度时再提升就变得极其困难,本文通过融合多个检测模型达到了比使用单个模型更高的检测精度。然而独立的训练多个模型需要消耗大量的时间,而且极大的拖累了检测速度,本文基于Adaboost算法,创新的提出了提升多头网络(Boosting Multi-Head Network,BMHN),在不同模型共用同一个基础网络的情况下,维持每个检测模型的精度并尽可能的扩大他们检测结果的差异。尽管每个模型与单独训练的模型相比检测精度较低,但是融合这多个模型可以得到更高的检测精度并保持一定的检测速度。