随着遥感对地观测技术的飞速发展,光学遥感数据逐渐扮演着越来越重要的角色,被广泛应用于海洋目标监测、城市信息监控、自然灾害响应和军事安全等领域。光学遥感图像、视频数据除了拥有丰富的空间信息,在时间维度上也有着较多的动态信息,有助于持续获取感兴趣目标的有效信息。在光学遥感数据处理分析的研究中,目标检测是进一步深入挖掘遥感信息的基础,将目标检测应用与遥感数据相结合具有重要的现实意义。本论文主要研究融合时空特征和关键点生成的光学遥感数据目标检测技术,提取并融合遥感数据的时序特性,结合基于关键点生成的目标检测框架,提升光学遥感数据目标检测模型的准确性和鲁棒性。本论文研究的主要成果总结如下:（1）为了避免有向锚框设置的过参数化与目标旋转角度学习过程的不稳定,提出了一种新的基于边界中点的有向目标编码方式,并构建了不依赖角度预测与锚框的遥感图像目标检测网络Mid Net。Mid Net预测有向目标的五个关键点（四个边界中点和目标中心）的坐标和匹配向量,然后将这些关键点进行抑制与分组,并以解析几何的方法构造有向检测框。为了挖掘复杂背景中关键点的显著性特征,基于目标的结构对称特性,提出了一种新的对称可变形卷积结构。Mid Net为利用关键点生成方法检测有向目标提供了新的思路,避免了不稳定的角度预测和过参数化的锚框设置。（2）为了改善现有视频帧间信息提取方法的鲁棒性与深度模型对于小目标尺寸回归的稳定性,提出了基于时序信息引导的自适应锚框遥感视频目标检测网络（Motion Guided RCNN,MG RCNN）。MG RCNN由两个主要部分组成,分别是时序信息增强网络和小目标区域提议网络。在时序信息增强网络中,首先使用新设计的均值差分法得到对于背景变化与目标移动速度不敏感的差分图,然后使用骨干网络生成融合时序与表观信息的深度特征。在小目标区域提议网络中,一个分支负责预测锚框的位置,另一个分支负责预测锚框的宽度和高度,并使用新设计的平滑交并比损失作为监督,实现更加精确、稳定的小目标尺寸回归。（3）为了通过时序信息与语义信息丰富遥感数据中目标匮乏的表观信息,并且使得检测器适应于遥感数据中目标多种多样的分布模式,提出了时序信息与语义信息嵌入的密度自适应遥感视频目标检测网络（Semantic-Embedded Density Adaptive Network for Moving Vehicle Detection in Satellite Videos,SDANet）。SDANet通过生成包含不定数目目标的候选目标簇和目标中心点,依据运动目标的空间密度分布,自适应地抑制、匹配和划分目标簇和目标中心点。同时,为了减少传感器位移、光照变化等因素对时序信息提取的影响,在SDANet中设计了一种基于双向背景对齐的学习方法,用来提取鲁棒的时序特征。此外,道路信息以弱监督的方式端到端地集成到网络中,其利用语义先验知识缩小了目标搜索范围,使得网络聚焦于感兴趣的区域,有效地减少了模型的误检。以上本论文所提出的研究成果在HRSC2016数据集、FGSD2021数据集以及吉林一号遥感视频卫星数据集和Sky Sat遥感视频卫星数据集上取得了领先于现有方法的目标检测性能。