低空间分辨率的光学遥感图像可以用来检测大型船舶等物理尺度较大的目标,但是难以用于检测物理尺度较小的目标,这是因为低空间分辨率的光学遥感图像缺乏空间细节信息。随着遥感技术的不断进步,人们所能获取的光学遥感图像的空间分辨率越来越高,相较于低空间分辨率遥感图像,高空间分辨率遥感图像具有更加丰富的地物纹理信息,它将传统的地物表达方式由像素级别扩展到对象空间描述级别。因此基于高分遥感图像,人们可以探究对其中的小型目标进行有效的检测。本文的主要工作是研究基于深度学习的高分遥感图像小目标检测方法,主要包含以下内容:首先,本文从深度学习神经网络模型的基本原理出发,介绍了神经网络相关原理,揭示了卷积神经网络与图像处理之间的联系。针对传统目标检测方法在提取候选框和目标分类方面的局限性,介绍了以RCNN为代表的基于深度学习的多阶段目标检测网络模型。然后,针对小目标的像素范围小,空间信息模糊的问题,探究增强小目标图像空间分辨率的方法以提升目标检测算法的精度,在对现有超分辨方法进行充分研究的基础上,分析了目前在深度学习领域中最热门的生成对抗网络算法,研究将其与图像超分辨思想结合,有效提升了基于深度学习的多阶段目标检测算法在小目标检测方面的性能。最后,为充分利用小目标有限的特征信息,解决小目标的几何形变问题,探究将全卷积神经网络的思想与目标检测算法相结合,研究了一种基于局部全卷积神经网络和RCNN的目标检测框架,除此之外,研究了一种可变形卷积结构,对固定结构的卷积核进行改进,进一步提升了检测性能。