光学遥感图像目标检测对于遥感、航空领域的发展有着重大的研究价值,并且在海洋检测、地面城市规划与土地监控等多个实际场景中有着广泛的应用场景。随着航空技术和遥感技术的发展,可用于分析的光学遥感图像的数量急速的增长,因此我们需要更有效率的智能分析工具来替代人工分析。近年来,基于卷积神经网络的目标检测方法相比于传统的目标检测方法已经凸显了许多的优势。因此针对于光学遥感图像的特点,提出适合光学遥感图像的卷积神经网络的目标检测方法就显得尤为重要。本文从光学遥感图像复杂地面目标检测方法研究出发,着重于光学遥感图像的地面目标的多尺度问题、目标背景信息复杂以及目标形状变化多样的特点开展深入研究。本文的贡献总结如下:（1）针对于光学遥感图像中目标多尺度以及目标背景复杂的特点,提出集成了注意力机制的光学遥感图像目标检测方法。首先将全局上下文模块集成到特征提取网络中,使得特征提取网络在进行特征提取的时候能选择性的增加目标特征的权重,抑制背景噪声的干扰,加强特征提取能力。随后运用注意力机制对特征金字塔的特征融合方式进行改进,使得目标检测网络在目标多尺度问题上取得更好的表现。最后根据标签分类任务和边框回归任务的差异性,分别给予标签分类分支和边框回归分支相对应的信息进一步提高目标检测网络的精度。（2）针对于光学遥感图像中目标形状多样化、长宽比分布广泛的特点,提出了基于像素点回归的遥感图像目标检测方法。使用无锚框的区域推荐网络来替代基于预设锚框的区域推荐网络,避免了预设锚框超参数的设置,已经预设锚框不能很好应对目标形状多样化问题。给予图像的特征来去指导锚框的构建能更好的应对目标形状多样化、长宽比分布的特点。此外还使用动态阈值的训练策略,随着目标检测器在训练进程中性能的不断提高,逐步的提高正负样本分配的阈值,从而得到一个质量更高的目标检测器。