遥感目标检测技术在国防军事、民用经济等领域发挥着重要作用。然而,实现对光学遥感图像中目标的高精度且实时检测仍然面临诸多挑战。比如,如何挖掘复杂场景下多个不同尺度遥感目标的深层特征,以解决遥感目标检测效果不理想的问题;如何设计合理的位置损失函数,以解决遥感目标定位不准确的问题;如何在确保检测精度达标的情况下降低算法的复杂度,以实现遥感目标的快速检测。针对上述问题,本文深入分析遥感图像中目标和背景的相对数据特性,在课题组完成的光学遥感目标检测技术的基础上,探索了具备高精度且低复杂度的遥感目标检测技术,并通过多个真实的遥感数据集在检测精度和复杂度两个方面来评价本文提出的算法模型。本文的创新点总结如下:(1)提出多尺度特征融合遥感目标检测算法MFFD。通过设计全卷积神经网络FCN-13充分提取遥感目标的空间特征和语义特征,然后设计独立的3个检测层来检测不同尺度的目标,并融合浅层特征和深层特征来提高MFFD算法识别小目标的精度。MFFD算法在NWPU VHR-10数据集和RSOD数据集上的m AP指标与先进的YOLOv3算法相比几乎一致,但是检测速度领先YOLOv3算法,在GPU上达到160FPS,在CPU上达到4FPS。(2)为进一步提升检测性能,采用GIo U代替二范数作为MFFD算法的位置损失函数。GIo U是Io U的一种改进,能更好地反映两个边界框的重叠情况并具备尺度不变性,从而更好地约束MFFD算法在训练过程中寻找最优解。通过测试NWPU VHR-10数据集,GIo U位置损失函数可以提高MFFD算法1.46%的m AP指标且不会降低检测速度。(3)为了去除冗余参数且减少运算量以便算法最终应用于实际工程中,引入深度可分离卷积并设计深度逆残差结构来去除MFFD算法的3×3标准卷积的冗余参数,命名为MFFD-DIR算法。MFFD-DIR算法的运算量降至1.754BFLOPs,浮点参数量降至1686560。引入二值量化思想并合理量化MFFD-DIR算法的部分逐点卷积层以减少浮点参数量,命名为Light-MFFD算法。Light-MFFD算法的运算量降至1.046BFLOPs,浮点参数量降至932928。Light-MFFD算法在NWPU VHR-10数据集上的检测效果领先经典目标检测算法COPD、SSD和Faster R-CNN,m AP指标达到87.05%,领先YOLOv3算法0.72%。Light-MFFD算法在RSOD数据集上检测立交桥目标的效果不佳,但检测其余目标的AP指标均达到87.28%以上。Light-MFFD算法的检测速度在GPU上达到130FPS,是YOLOv3算法的2.5倍,在CPU上达到9FPS,是YOLOv3算法的30倍。