随着遥感技术的飞速发展,遥感图像的数量和质量得到大幅度的提高。作为遥感图像分析处理的关键组成部分,遥感图像目标检测技术的发展对民用科技和军事科技的发展具有至关重要的促进作用。然而,由于遥感图像普遍存在背景复杂、目标尺度及形状差异大、受垂直视觉影响等,使得遥感图像目标检测变得十分困难。如何在复杂环境下快速准确地检测出遥感图像中的典型目标,提高遥感图像自动检测的准确性和效率,已经成为遥感图像分析领域一个亟待解决的难题。因此,开展遥感图像目标检测技术研究具有很高的学术价值和应用价值。基于传统技术的遥感图像目标检测方法通常需要人工提取目标特征,是不够全面和准确的,且费时费力。近年来,由于深度学习技术的飞速发展,遥感图像目标检测技术凭借深度学习算法强大的自动特征学习能力,显著改善了遥感图像目标检测的精度和效率。然而,由于遥感图像的复杂性,目前基于深度学习的遥感图像目标检测仍然存在一些亟待解决的关键及难点问题。本文在深入分析遥感图像及其中目标特点的基础上,结合深度学习技术提出了三种探索性的遥感图像目标检测方法,具体阐述如下:①针对遥感图像目标尺度差异很大,且存在大量的小目标,这些目标的语义信息在深层次的神经网络中可能被弱化甚至消失的问题,本文提出了一种基于增强特征金字塔网络和自适应策略的遥感图像目标检测方法。其中,增强特征金字塔网络用于增强网络模型的有效特征提取能力。在该网络中,首先在横向连接上设计了一种多分支扩展瓶颈模块,通过不同分支的感受野来捕获更多的多尺度特征和语义信息;然后,设计了一个注意力路径以更好地定位目标;最后,为了使浅层信息更容易传播,进一步提高小目标检测性能,设计了一种自底向上增强路径。此外,本文设计了一种自适应尺度训练策略,使网络模型能够更好地识别遥感图像中的多尺度目标。本文同时也设计了一种聚类方法来实现自适应先验框设定,使网络模型能够更好地学习遥感图像的数据特征。遥感图像背景复杂多呈俯视视角,存在较多密集目标②针对遥感图像背景复杂,多呈俯视视角,并且有较多的密集目标,而现有基于深度学习的目标检测网络模型,仍然会出现漏检和误检的问题,本文提出了一种带有定位评分动态阈值去重算法的区域注意网络,以提高复杂背景及目标密集下遥感图像目标检测的性能。首先,针对复杂背景下的遥感图像进行目标检测,本文在区域注意网络中引入显著性约束,设计了一种区域注意特征提取网络,用于对目标区域特征进行有效增强。然后,针对遥感图像中包含大量密集目标的特点,设计了一种动态阈值去重算法来消除重叠框检测。最后,为了解决定位精度与分类分数不匹配的问题,在区域注意网络中进一步利用交并比检测头获取预测框的定位置信度,并通过结合分类得分和定位置信度来获得预测框的最终得分,由此设计了定位评分动态阈值去重算法,从而进一步提高了检测性能。②针对遥感图像目标不仅尺度差异巨大,且形状各异,现有基于深度学习的目标检测网络对此种情况检测效果不够理想,并且获得高精度的遥感图像目标检测性能普遍需要庞大且复杂的网络模型,因此会包含大量的冗余信息,导致难以实现高检测效率,也更难将网络模型部署在资源受限的设备上进行实时应用的问题,本文提出了一种基于PG-YOLO及优化通道剪枝的高效遥感图像目标检测方法。在PG-YOLO中,首先设计了一个多态模块,同时学习遥感图像中多尺度和多形状的目标特征,从而更好的检测出遥感图像中差异巨大的目标物体;然后,设计了一种组注意力模块,更好地利用网络模型中不同的合并融合特征;最后,设计了带有自适应锚框的多检测头,以进一步提高单阶段检测器PG-YOLO的多类别多尺度目标检测性能。另外,基于PG-YOLO,本文进一步设计了一种有效的优化通道剪枝模型压缩方法,可以显著提高目标检测效率,以达到实时检测的效果。为了验证本文提出方法的有效性和先进性,在多个开源遥感图像目标检测数据集上与现有典型的检测方法进行了对比实验。实验结果表明,本文提出的方法在主观效果、客观指标以及检测效率方面均明显优于现有典型的检测方法。