随着遥感技术和计算机视觉技术的不断发展,遥感图像目标检测在军事和民用等多个领域发挥着重要作用。传统目标检测算法需要手工设计特征,往往受到众多因素的干扰,影响了目标检测算法的性能。随着学者们对深度学习的研究越来越深入,深度学习成为目标检测领域研究和探索的一个有力工具。目标检测领域在大数据应用和计算机硬件性能飞速提升的背景下,相比于传统视觉检测算法,深度学习具有明显的优势。但由于深度学习模型设计越复杂,包含的参数越多,计算量越大,导致算法无法实时运行。因此,基于深度学习的目标检测技术在人们的日常生活应用中仍有诸多困难。针对遥感图像目标的复杂性与深度学习目标检测算法的优势,本文改进了基于词袋模型的飞机目标检测算法以及研究了基于多尺度端到端的深度学习目标检测算法,具体工作内容如下:(1)针对海量的遥感图像数据,本论文对遥感图像飞机目标建立多源遥感图像典型目标样本数据库,对样本数据集进行人工标注,作为本文实验的标准样本训练测试集。(2)为解决遥感图像目标形态变化复杂、背景干扰明显的问题,针对遥感图像中飞机目标,提取目标图像特征,构建词袋模型,研究了基于词袋模型的Hough投票定位的飞机目标检测算法,该算法的检测精度达到了70%以上。(3)针对当前主流的两步式的深度学习目标检测框架,本文将定位算法和深度学习框架相结合,通过在网络模型的最后一层卷积层后添加多尺度特征提取金字塔,设计了基于多尺度端到端的深度学习目标检测框架,基础网络采用了改进的VGG-Net网络模型。改进基于多尺度端到端的深度学习目标检测的目标损失函数,用焦点损失函数代替交叉熵损失函数,均衡正负样本比例,提高了目标检测精度。在本文制作的样本数据集上,该算法检测精度达到了89%,漏检率和虚检率都控制在了比较低的水平,运行速度也得到了极大的提升。实验表明了该深度学习目标检测算法可以有效提高目标检测性能。