目标检测作为遥感图像处理的基础任务,已被广泛应用于战场侦察、海洋监测、城市规划等民用和军事领域,如何精确并高效地对目标进行定位和分类,已成为遥感目标检测任务的关键。虽然已有部分工作在尝试解决遥感目标检测存在的问题,但仍存在诸多难点:首先,遥感图像中存在大量像素数较少的小目标,其特征信息极易在卷积和池化的过程中丢失,复杂的地物背景也会掩盖目标的关键特征;其次,现有的遥感目标检测方法无法对样本的独特性进行建模,只能对数据集中的一般性知识做出响应,无法对位于分类和回归边界的样本做出灵活的推断。因此,针对遥感目标检测中的小目标检测难、背景噪声干扰以及边界样本推断不灵活问题,本文提出两种遥感目标检测方法:基于特征融合和多维注意力的有锚检测方法和基于特征增强和预测细化的无锚检测方法。两种方法的具体介绍如下:（1）针对小目标检测难、背景噪声干扰的问题,本文提出了一个基于特征融合和多维注意力网络的遥感目标检测方法。在该方法中,首先构造了一个基于Inception模块的特征融合网络,通过融合不同层次特征图和调整锚框采样步长增强模型的小目标检测能力;然后设计了一个多维注意力网络,从空间和通道两个维度对融合特征图进行细化,实现背景噪声的抑制和关键特征的增强;接着构建了一个基于中点偏移表示的旋转候选区域网络,通过引入边界框顶点相对于外接矩形中点的偏移量实现了旋转边界框的回归,解决了角度参数回归难问题;最后对感兴趣区域对齐操作进行了改进,通过双线性插值实现了旋转边界框的精准映射。在DOTA和HRSC2016数据集上设计了多组对比实验,验证了该方法的可行性和有效性。（2）针对神经元感受野与目标不匹配、边界样本推断不灵活问题,本文在Center Net的基础上,提出了一种基于特征增强和预测细化的遥感目标检测方法。在该方法中,首先对堆叠沙漏网络的中间监督过程进行了改进,通过短接融合和残差模块增强了网络的关键点估计能力;然后构建了一个基于旋转卷积和注意力单元的特征增强模块,通过对卷积核的方向进行编码和多尺度权重映射,有效缓解了目标与轴向感受野的不对齐问题;接着为分类和回归任务分别设计了一个预测细化分支,通过细化特征嵌入来提高目标的可判别性,使由一般性知识构建的模型能够对边界样本做出灵活响应;最后向检测头部添加了角度预测分支,使模型具备检测方向任意目标的能力。在DOTA和HRSC2016数据集上设计了多组对比实验和消融实验,验证了特征增强模块和预测细化分支的可行性和有效性。