高分辨率遥感图像目标检测是光学遥感图像处理领域中最重要的任务之一,致力于定位并识别高分辨率遥感图像中高价值地物目标。目前,基于锚框的两阶段目标检测方法由于具有较高的检测精度,在高分辨率遥感图像目标检测领域获得了大量应用。然而,基于锚框的高分辨率遥感图像目标检测方法仍存在如下三个方面的问题亟需解决:(1)当预测边界框和真实边界框不重叠时,度量指标无法衡量两个边界框的远近程度;(2)现有的边框回归损失函数未与度量指标建立直接联系,即在训练过程中边框回归损失函数不能直接优化度量指标;(3)现有的基于层级式深度网络的候选目标区域特征提取方法仅采用单层特征,未能充分利用多层次特征的优势。针对问题(1),本文采用了一种新的度量指标,即通用交并比(Generalized Intersection over Union,GIoU),该度量指标能够充分考虑预测边界框和真实边界框的重叠程度,衡量两个边界框的远近程度,有效缓解了现有度量指标(即交并比,Intersection over Union,IoU)无法衡量两个不重叠边界框的远近程度问题;针对问题(2),本文在GIoU的基础上,设计了一种新的边框回归损失函数,即改进的通用交并比损失函数(Improved Generalized Intersection over Union Loss,IGIoU Loss),该边框回归损失函数不仅能够直接优化度量指标,在训练过程中还能自适应的改变梯度,从而提高模型的训练效率和训练效果;针对问题(3),本文提出了一种多层次深度特征融合(Multi-Level Deep Features Fusion,MLFF)方法,通过将MLFF嵌入层级式深度网络中,充分利用多层次特征信息,从而获得更具判别力的特征,进一步提升高分辨率遥感图像目标检测的效果。为了验证所提方法的有效性,本文在数据集NWPU VHR-10和DIOR上分别进行了实验验证,相比于基准模型,采用MLFF方法进行候选目标区域特征提取、使用IGIoU loss作为边框回归损失函数、融合MLFF和IGIoU loss方法,在数据集NWPU VHR-10上,总体平均精度(mean Average Precision,mAP)可分别提高1.0%、2.0%和2.7%,在数据集DIOR上,可分别提高0.7%、1.4%和2.2%。此外,在上述两个公开的数据集上,多阈值曲线一致显示在高阈值下检测结果明显优于其他方法,这表明当度量指标比较苛刻时,本文方法在目标定位精度方面具有明显的优势。