近年来伴随着航空航天技术的快速发展,越来越多的对地遥感观测卫星被发射并且投入使用,可获得的遥感图像的不断增多,这些图像无论是数量还是质量都有着显著的提高。得益于俯视角度拍摄的独特优势,遥感图像能够获得比普通自然图像更远、更广的内容。因此,遥感图像被广泛的用于农业、军事、地质、勘探、环境监测等领域。为更加有效地将遥感图像应用于这些领域,遥感图像解译成了当前的一个研究热点,其中遥感图像目标检测是遥感图像解译的一个重要分支。遥感图像中的目标往往会出现尺度差异大、方向任意、背景复杂和长宽比大的特点,这些特点致使遥感图像目标检测相较于普通自然图像的目标检测难度更大。遥感图像中的目标自身具有旋转不变,多尺度,小目标,极大长宽比等特点。在目标检测模型中拥有极大的长宽比的细长旋转目标检测难度最大,其中港口的检测精度70左右,桥梁的检测精度低于50,这类目标的大小差距极大,有些桥梁仅占检测图像的很小的区域,有些则跨越了很多个检测图像;另外,细长旋转目标长和宽的比值巨大,极大的长宽比造成预测边界框与目标之间的交并比（Intersection over Union,Io U）可能因为微小的角度变化而改变,同时也导致预测框的长和宽难以回归;此外,细长旋转目标的特征难以提取,导致模型难以预测出准确的预测框。以上问题使得这类目标的检测精度会低于其他类型目标的精度,细长旋转目标很少被单独研究,但是在遥感图像中却很常见,因此,有必要专门针对遥感图像中的细长旋转目标检测进行研究。本文将针对以上问题进行以下两个方面的工作:1.基于YOLOv5模型,针对遥感图像细长旋转目标检测中出现特征难以提取,长宽回归困难的问题,提出相应的改进。首先,为了在保持细长旋转目标在图像中完整的同时提高模型的鲁棒性,使用了608×608×3、800×800×3和1024×1024×3三种不同尺寸图像作为模型输入的策略;其次,针对遥感图像细长旋转目标特征难以提取的问题,在YOLOv5模型中加入了DCNv2（Deformable Convnets v2）,相较于仅仅使用常规卷积的模型,加入DCNv2使得模型更能够充分的提取出细长旋转目标的特征;最后,针对细长旋转目标长和宽回归困难的问题,将长宽比损失加入到模型训练的损失函数之中,并且将预测的长宽比加入到边界框的长和宽的预测当中,解决了长宽回归困难的问题,同时防止了预测边界框的失真。在现有的DOTA公开数据集上进行了实验,实验表明改进后模型的结果在目视效果和客观评价指标都有较好的效果,桥梁和港口的平均准确率AP分别达到了52.10和75.16。2.针对于深度学习目标检测方法对细长旋转目标检测时预测框里可能出现多余的背景,和将密集且相似的目标预测在同一个边界框里的问题,提出基于非极大面积抑制的遥感图像细长旋转目标检测后处理方法,并且使用该方法对上述所提的改进YOLOv5方法预测的边界框进行后处理,并在现有的DOTA公开数据集上验证其有效性,桥梁和港口的平均准确率AP分别达到了52.77和75.82。