近年来随着遥感技术的发展,遥感卫星在国防军事和民生经济领域发挥着越来越重要的作用,遥感图像目标检测任务也成为了图像处理领域的热点问题。由于遥感图像中存在背景复杂,目标尺度变换大等问题,相比于传统目标检测算法,基于深度学习的目标检测算法鲁棒性较好,检测精度更高,性能更优越。但是在实际应用中,深度学习算法难以部署到卫星等资源受限平台,检测速度也难以满足实时性的需求。针对上述问题,本文针对遥感图像目标检测中高精度实时检测的需求,提出了一种基于网络剪枝的深度学习轻量化遥感目标检测方案。本文的主要研究内容和创新点如下:（1）为了提高目标检测网络的特征提取能力,缓解复杂背景下,不易于提取目标信息的问题,本文提出了结合注意力机制的特征提取网络。该网络引入通道空间注意力机制,突出图像中目标特征和位置信息,抑制背景信息,解决了遥感图像中关键信息不突出的问题。同时,为了精简网络,便于算法的实际应用部署,本文使用深度可卷积模块替代了原有的卷积层。通过计算分析,该模块相比原卷积模块可降低计算量约9倍以上。通过消融实验验证,该特征提取网络能够提升整体目标检测精度约9.1%。（2）为了增强网络对多尺度目标的检测性能,本文充分利用卷积特征图中目标的空间信息和语义信息。本文设计了针对不同尺度大小目标的检测层,充分融合目标语义信息和空间信息,提高了目标检测识别不同尺度目标时的精度,增强网络的鲁棒性。结合上述特征提取网络,得到最终目标检测网络Attention Fusion Detection（AFD）,通过在NWPU VHR-10数据集上的实验,与YOLOV3-tiny和Mobil Netv1-SSDlite比较,AFD的m AP指标分别高了6.7%和13%,检测速度也只是稍稍落后于轻量化Mobil Netv1-SSDlite网络。（3）为了进一步精简网络,去除冗余参数,使得网络能更高效的部署于卫星等资源受限环境,本文提出了基于联合剪枝准则的通道剪枝方法。该方法结合了频域中特征图信息重要性分布和训练过程中BN层缩放因子系数值,通过全面评估通道重要性,增强通道剪枝的有效性。在实验对比中,本文提出的剪枝算法明显优于两种典型的模型剪枝算法。