近年来,随着遥感图像获取方式的愈发便利,利用遥感图像场景理解快速获取地面信息,已广泛应用于军事、电力、交通、灾害救援、农业、城市规划等多个领域。一方面,遥感图像场景理解需要大量的人力成本。另一方面,以目标检测为代表,通过深度学习理解自然图像取得巨大成功。如何利用深度学习理解遥感图像场景的信息是目前研究热点之一。其中,遥感图像的旋转目标检测是这个研究方向的重要分支。不同于自然场景的目标,遥感图像的目标具有尺度变化剧烈,宽高比大和方向多变等特点。因此遥感图像的旋转目标检测存在目标特征提取困难、旋转目标框的Io U损失函数设计困难两个问题。针对这两个问题本文从三个方面开展研究,主要内容包括:（1）针对上述遥感图像目标的特点,本文设计了基于无锚框的基线网络。并且对于目标定位信息的获取,采用了基于向量的旋转框标注方法与Smooth L1 Loss结合的旋转框回归方法,有效提升基线网络的目标定位性能。（2）针对上述旋转目标特征提取困难的问题,在基线网络的基础上,通过使用E（2）群等变卷积,使卷积神经网络实现旋转等变性,减轻了旋转目标特征提取的难度。首先搭建了基于E（2）群等变卷积的残差主干网络Re Res Net101;然后在相同图片多角度输入的情况下,通过比较不同卷积神经网络的输出向量的相似度,证明了Re Res Net101具有优秀的旋转等变性。消融实验结果显示,采用Re Res Net101的基线网络m AP@0.5提升20%,由此证明Re Res Net101具有优秀的特征提取能力。（3）针对上述旋转目标框的Io U损失函数设计困难的问题,在基线网络的基础上,为了近似实现任意四边形的Io U Loss,本文在外接水平框与滑动顶点的数据标注方法（Gliding Vertex）的基础上,把旋转目标框的定位损失函数拆分成外接水平框的Io U Loss和内部四边形Io U Loss。其中外接水平框的Io U Loss采用了Distance-Io U Loss,而内部四边形Io U Loss由本文设计的Gliding＿vertex＿Io U Loss实现。实验证明,本文提出的Distance-Io U Loss和Gliding＿vertex＿Io U Loss使基线网络m AP@0.5提升了15.46%。