随着航天技术和电子计算机技术的不断发展,卫星遥感技术的应用从早先的军事领域逐渐扩大到民用领域,并且在民用领域被广泛的使用。卫星遥感技术可以打破地域限制及时提供丰富的信息资源。在这些丰富的信息资源中,主要以图像信息的方式进行呈现,即卫星遥感图像。由于在这些大量的信息中夹杂着很多无用信息,并且随着卫星遥感技术的进一步发展,图像的广度和清晰度将进一步提升,导致图像信息更加繁杂多变,所以继续使用人工挑选有用信息的方式就显得力所不及。针对以上问题,本文基于遥感目标检测的思路,包含如下工作内容:(1)构建了一个全新的卫星遥感图像数据集YNUFIST-RSOD(Yun Nan University Future Intelligent System Technology Lab-Remote Sensing Object Detection),该数据集包括10万张飞机和轮船的图像,采集自不同的港口、河流、湖泊和飞机场等共计223个地区,目的在于为后续的相关研究工作提供数据基础。(2)对构建的YUNFIST-RSOD数据集从算法性能参照标准、数据集样本对深度模型贡献和用于大尺度卫星遥感图像研究三方面进行了评估,评估结果显示:1.该数据集能为相关目标检测算法在该数据集上进行实验时,提供一种新的算法评判标准。2.该数据集在被用于目标检测深度模型训练时,数据集样本的亮度信息分量对模型的特征学习贡献较大,色度信息分量贡献较小。3.在面对大尺度的卫星遥感图像时,该数据集能够被用于大尺度卫星遥感图像目标检测的研究。(3)由于受卫星轨道固定和天气干扰的影响,卫星遥感图像在不同的域(Domain)中数量不均衡,训练出来的深度模型用于目标检测时泛化性差,通过迁移学习的方法将知识从源域迁移到目标域中并训练新的深度模型,实验结果表明,结合迁移学习方法的卫星遥感图像目标检测算法能够在一定程度上提升深度模型的泛化性能。