随着硬件技术的不断进步,遥感技术也得到了极大地发展,人们可以获得具有更高质量的遥感图像。遥感图像在民用和军用方面都有着较为重要的意义,因此在遥感图像中如何更好地进行目标检测任务是不可忽视的问题。在遥感图像中,存在着诸多问题,包括图像中小目标对象多、图像中目标对象尺度不一、图像背景较为复杂以及图像中目标对象分布不均等问题。这些问题为遥感图像领域中的目标检测任务带来了困难,因此,如何在遥感图像中快速定位目标以及准确检测出目标对象种类已经成为一个需要解决的难题。由于传统的目标检测手段依赖于人工提取特征,在检测速度和准确度方面存在缺陷。近年来,随着计算机技术的进步,基于深度学习的目标检测技术凭借其强大的计算性能取代了传统的目标检测手段。但是由于遥感图像中存在的难点,对于目前的目标检测技术来说仍是需要解决的问题。本文在分析遥感图像中目标特点后,对基于深度学习的目标检测方法进行改进,具体研究内容如下:（1）对于遥感图像本身尺寸过大的问题,通过分析对比规矩网格裁剪方法与滑动窗口裁剪方法,设计了一个多尺度滑动窗口裁剪方法。该方法先统计目标对象的种类、数量以及相关尺寸。之后,再根据不同种类对象设置不同的裁剪尺寸。并且在将数据集输入模型进行训练时,使用Mosaic数据增强方式对数据集进行增强。（2）对于特征提取网络中小目标丢失的问题,基于注意力机制的思想,设计了一个DN-NS模块。该模块由密集连接部分和注意力部分组成,能够在保留更多小目标信息的同时,加强特征的表达能力。（3）对于特征融合网络中各尺度目标特征分布不均的问题,基于Bi FPN双向特征融合金字塔的思想,提出了B-PAN的特征融合金字塔结构。该结构通过设置一个自上而下的特征增强路径,将小目标的特征向下传递融合,并通过跳跃连接的方式加强中间层特征信息的复用,通过B-PAN结构丰富输出特征图中的特征信息量。与几种常见的目标检测方法相比较,本文方法在上述三个方面有所创新。经在DOTA数据集上进行对比实验,本文改进后的模型能够有较好的表现,表明了本文改进模型的有效性。