近年来,遥感影像智能解译在深度学习技术的推动下获得了快速的发展,目标检测也因此成为遥感领域中一个比较活跃的研究方向。虽然现有的目标检测方法已经在自然图像上取得了瞩目的成果,但遥感影像中目标尺度的多样性、背景复杂、密集分布以及小样本特性等问题仍然制约着目标检测在遥感领域的发展,使得遥感影像目标检测任务仍极具挑战性。本文针对遥感影像中目标尺度的多样性、密集分布以及小样本特性等问题,基于多尺度特征和小样本学习等深度学习相关理论,提出了三种遥感影像目标检测方法。具体工作内容如下:（1）针对遥感影像中目标尺度多样性以及多尺度信息表征不足等问题,提出了一种基于多层级特征自适应融合的遥感影像目标检测方法。该方法基于RetinaNet检测模型,从不同的角度设计相应的模块来增强各个层级特征图上的信息表征。一方面,构建多感受野特征提取模块,获取不同感受野的特征以增强特征图对目标的判别能力,另一方面,构建多层级特征自适应融合模块,自适应的聚合不同层级特征图的信息,丰富各层级特征图的信息表征,此外,设计自底向上的路径,加强整个特征层级上的位置信息。在DOTA数据集上进行实验验证,与其它目标检测方法相比,检测性能更好,精度更高,与基准方法RetinaNet相比,检测精度提升了1.8%,验证了所提方法的有效性,消融实验的结果进一步验证了各个模块的有效性。（2）针对遥感影像密集场景中车辆目标漏检严重的问题,提出了一种基于目标中心点检测和语义特征增强的遥感影像密集车辆检测方法。该方法考虑了密集分布下车辆目标的特点,设计了将目标以中心点和目标尺寸（长和宽）的表示方式,进而放弃了锚框的约束,将车辆目标检测解耦成目标中心点定位和目标尺寸回归两个子任务,降低了目标尺寸对目标定位的影响,极大地提高了目标的召回率。此外,构建语义自注意力特征增强模块,降低背景噪声对目标中心点分类造成的干扰,同时引入了像素级的分类信息,降低了目标之间的模糊性,增强了目标之间的区分度,提升了车辆目标检测的精准率。通过在三组数据集DOTA、ITCVD和CARPK上进行实验验证,实验结果展示出了本章方法在召回率上的显著优势,与其它目标检测方法相比,获得了非常不错的检测精度,验证了本章方法的有效性。（3）针对遥感影像中小样本条件下的目标检测问题,提出了一种基于旋转匹配和自适应多关系的遥感影像小样本目标检测方法。一方面,设计旋转匹配注意力区域提议网络,通过旋转匹配的方式增强了模型对遥感影像中目标多向性的鲁棒能力,并为RPN引入了支持图像的信息,提高了产生候选框的质量。另一方面,构建自适应多关系检测器,建模支持图像和查询图像的候选框在全局、局部和块等的关系,并通过自适应的方式综合起来,以提升检测器的判别能力。在NWPU VHR-10v2数据集上进行实验验证,实验结果显示,在不同数量的小样本下,都显示出了本章方法优越的检测性能,相比于基准方法ARMRNet,在1-shot,3-shot和5-shot下,分别提升了1.31%,6.19%和6.09%,验证了所提方法的有效性。