近年来,随着遥感成像技术的迅速发展,卫星和航空遥感器能够提供给人们越来越多的具有极高分辨率的光学遥感图像,这些图像中所包含的空间信息也随着分辨率的提高而越来越多,也使得人们更能够较为直观的展现地表目标的颜色、大小、形状、纹理等特征,并且通过人眼观察也十分方便。航空遥感技术在城市规划、土地利用、交通引导、军事监控等多个领域的应用具有重大意义。目标检测作为计算机视觉领域一个基础的技术手段,在自然图像上被广泛地探索和深入的研究,尤其是在深度学习技术发展起来之后,目标检测器的检测性能得到了巨大的提升。但相比于自然图像,由于遥感图像具有背景复杂、目标物体尺度变化大、方向任意等特点,这给当前的针对遥感图像的目标检测算法带来了不小的挑战。针对以上这些特点,为提升针对于航空遥感图像的目标检测性能,本文工作主要包含以下内容:（1）针对航空遥感图像背景复杂,方向任意的问题,本文提出了基于注意力机制的航空图像旋转框目标检测算法。本文提出了新颖的通道语义提取注意力机制（Channel Semantic Extracting,CSE）,提取特征通道之间的关系,并对特征进行通道自注意力重分配,有效抓取全局语义信息,减少背景噪声带来的干扰。算法第一阶段采用无锚框目标检测方法避免复杂冗余的锚框设计,并设计了角度精化模块,通过计算偏移量的方式来将检测框与目标的角度对齐,第二阶段改进了Fast R-CNN算法,加入角度参数,使检测结果更加精确。经过大量的对比实验,在DOTA和HRSC2016数据集上分别达到了77.71%和89.78%mAP的结果,与其他针对航空遥感图像的目标检测算法相比效果更好,证明了所提算法的优越性。（2）针对航空遥感图像中目标物体通常尺度变化较大的特点,本文提出了一种基于改进S2A-Net的航空遥感图像目标检测算法。通过对S2A-Net算法的分析,针对其在特征提取阶段存在的问题进行了一些改进。首先,对在提取特征的前阶段加入多尺度卷积,解决了标准卷积的不足,并将多尺度特征融合过程推到更细粒度的级别;然后,针对普通特征金字塔网络的不足进行改进,减少最高层的特征图信息丢失,采用软感兴趣区域选择方法,生成最合适的最终的感兴趣区域特征;最后在检测头上加入CSE注意力机制,过滤掉不重要的多尺度特征,提高了算法检测性能。本网络在HRSC2016公开数据集上进行了训练和测试,最终结果可以达到90.03%mAP,检测速度达到20.1FPS,实现了精度与速度的高度平衡。