随着遥感图像采集技术的普及和采集设备的改良,高分辨率的航空影像在日常生活中的使用率越发提升。遥感图像中包含了大量可以与土地开发、安全维护、疾病控制、军事监测等应用相关联的信息。而基于遥感图像进行的目标检测任务普遍出现在视觉图像的研究工作中,同时有着重要的应用,研究价值很高。目标检测任务可以分为基于传统方法和基于深度学习的两类方法,其中深度学习方法又分为两阶段和单阶段的目标检测方法。考虑到传统方法中人工设计的特征适用范围较小、鲁棒性较弱,以及深度学习两阶段目标检测的方法检测速度较慢等问题,最终本文使用深度学习中的单阶段方法对遥感图像进行目标检测工作的研究,主要的研究工作可以分为以下三个部分。首先,本文采用了主流检测框架中在检测速度和检测精度上都能够保证较好平衡的YOLOv3算法,使用DOTA遥感数据集进行目标检测任务。为提高算法在遥感数据集上的准确性与适用性,本文在YOLOv3的基础上提出了YOLO-SPP-Res算法。使用K-Means方法对遥感数据集的标签进行维度聚类,计算最优的宽高值并由此对YOLOv3中的anchor值进行修改。针对遥感数据集中实例的尺寸不均,以及多次卷积后小目标感受野消失的情况,对YOLOv3算法的网络结构进行改进,加入SPP模块和Res-Conv模块,在保证检测速度的前提下,加快了收敛速度,并使算法的检测精度提升了5.3%,达到65.9%。然后,针对遥感数据集中图像尺寸大、目标占比小,以及小目标众多且分布密集的问题,本文在前文工作的基础上添加了注意力机制,提出了YOLO-SR-Attention算法,在作为骨干网络的特征提取网络Dark Net-53中添加Attention模块,使该算法能够从众多信息中选择出对当前任务目标更为关键的信息。这一改进较为明显的提高了遥感数据集中小目标的检测精度,其中较为典型的小目标实例船只的检测精度涨幅最大,从42.7%提高到了73.3%。在整体数据集中,平均检测精度达到了71.3%。最后,针对改进后的YOLO-SR-Attention网络参数较多、内存占用大,对计算能力较弱的硬件设备不友好的问题,本文对其进行模型的压缩剪枝,减少了模型中不必要的通道,在保证检测精度相差不多的前提下,将网络参数量降至原来的1/3左右。