遥感图像在农业、军事、外太空探索、环境监测等诸多领域都有着极为重要的作用。遥感图像目标检测作为遥感图像处理的一个核心分支,受到了众多研究者的重视,具有非常广阔的发展前景。目前基于卷积神经网络的目标检测算法是目标检测领域中最主流的方法。然而由于遥感图像与普通自然图像之间存在着诸多差异,针对于遥感图像的目标检测依然面临着许多挑战。本文围绕遥感图像目标检测展开研究,针对于遥感图像目标检测中的小尺度目标问题、多尺度检测问题和局部误检框问题等,提出了改进算法,实现了较为良好的检测效果。本文的主要工作如下:（1）针对于遥感图像中基于面积的IoU无法准确反映检测框间重叠度的问题,本文提出了一种基于中心距和冗余框修正NMS的遥感图像目标检测方法。该方法将中心距与面积交并比相结合来衡量检测框间的重叠度,并同时使用两个指标来对检测框的得分进行衰减。最后该方法还使用被去除掉的冗余框的信息对被保留框进行修正以提高精度。在不同数据集上的实验证明了该方法的有效性。（2）针对于遥感图像目标检测中的小尺度目标难以检测的问题,本文提出了基于深层特征消去与通道注意力的遥感目标检测方法。首先该方法将FPN中的浅层特征图与深层特征图相减以消除浅层特征图中融合到的不包含小尺度目标的深层特征,减少干扰,使小尺度目标特征更加显著。然后该方法对于FPN的其余层级根据其与浅层的层级差异作为权重进行了不同程度的特征消除,以此减弱浅层特征图中的其他尺度目标的特征。最后该方法引入了通道注意力机制来对浅层特征图的语义信息损失进行补偿。实验结果证明了该方法对遥感目标检测的有效性。（3）针对于遥感图像目标检测中的多尺度目标检测问题,本文提出了基于多尺度融合与A-IoU损失函数的遥感多尺度目标检测方法。该方法将FPN输出的各层级特征图进行了充分的特征融合,并通过通道注意力机制对不同层级的特征进行了筛选,满足了不同尺度检测对不同层级信息的需求。该方法还针对于遥感多尺度目标检测中常见的局部误检框问题,提出了A-IoU损失函数,该损失函数使模型在训练过程中更加关注于局部误检框从而减少其产生,进而提高检测精度。对比实验表现了该方法在大多数类别上都能够实现较好的检测精度。