遥感图像目标检测任务中,常常遇到样本稀缺的情形,尤其一些重点的军事目标样本量十分稀少,而目前主要使用基于深度学习的方法对遥感图像进行目标检测,数据集中样本不足会使得基于深度学习的目标检测算法产生过拟合,从而导致目标检测精度降低。因此,本文以遥感图像小样本数据集为研究对象,研究数据扩充方法以减少过拟合的影响,从遥感图像小样本数据集中目标数量与背景种类不足两个方面开展了研究,主要研究内容总结如下:（1）针对遥感图像小样本数据集中目标数量不足的问题,本文提出了仅生成目标与生成全图两种数据扩充方法,并对基于样式的生成式对抗网络（Style GAN2）进行改进,主要对网络结构、训练过程与损失函数进行优化,同时在扩充样本的过程中使用了生成目标图像融合、不均衡数据集扩充、半监督目标检测等方法。实验结果表明,仅生成目标的数据扩充方法优于生成全图的数据扩充方法,在自建的Remotesensing数据集与公开的DIOR数据集上,使用本文所提方法均能够使目标检测模型的检测精度得到提升。（2）针对遥感图像小样本数据集中背景种类不足的问题,本文提出了基于风格迁移的数据扩充方法,建立了夏季、秋季、戈壁、海洋风格数据集,并对基于循环的生成式对抗网络（Cycle GAN）进行改进,主要对特征提取、激活函数、损失函数进行优化。实验结果表明对小样本数据集进行风格迁移后,目标检测模型的检测精度有所提高,且多风格迁移相结合的方法相较于单风格迁移的方法能够取得更优的结果。（3）为进一步增加对遥感图像小样本数据集扩充的有效性,本文将基于生成目标的数据扩充方法与基于风格迁移的数据扩充方法结合使用,提出了三种结合方式,分别为先生成目标再风格迁移的数据扩充方法、先风格迁移再生成目标的数据扩充方法、生成目标与风格迁移同时作用的数据扩充方法。经实验验证,生成目标与风格迁移同时作用的数据扩充方法优于单独使用基于生成目标或基于风格迁移的数据扩充方法,能够使目标检测模型的检测精度得到有效提升。