遥感图像目标检测是遥感影像解译的关键任务之一,旨在识别并定位出遥感图像中的高价值地物目标。全监督目标检测方法依赖完全标注样本,标注工作需要较高的人力和时间成本,基于深度学习的弱监督目标检测方法因为仅需要图像级的类别标注而受到逐渐关注,但现有工作仍存在如下两个问题亟待解决:（1）检测结果更倾向于定位目标最显著性部分,而不是整个目标,尤其对于背景复杂的遥感图像;（2）训练过程会存在难易样本不平衡问题,大量易检测样本的累计损失会主导总损失,限制目标检测模型对复杂背景目标的检测能力。针对问题（1）,本文提出一种新的目标候选框定量评估指标——目标完整度先验得分（Object Completeness Prior Score,OCPS）,用于量化目标候选框覆盖目标的完整程度。接着本文将OCPS与传统的类别置信得分（Class Confidence Score,CCS）相融合得到目标属性得分（Objectness Score,OS）。能覆盖整个目标且具有较高类别置信度的目标候选框将具有较高的OS。针对问题（2）,本文提出一种目标候选框定量评估指标——检测难度评估得分（Detection Difficulty Evaluation Score,DDES）,用于量化目标候选框的检测难度。对于非难负例,本文提出一种基于熵的DDES计算方法,该方法通过目标候选框在各类别上的总体置信得分分布来定量评估检测难度。对于难负例,基于信息熵的DDES方法不再适用,本文依据背景置信得分计算DDES。最后本文提出一种融合OS和DDES的弱监督目标检测模型训练损失函数。其中,对OS优化,使模型聚焦高质量目标候选框的训练;对DDES优化,使模型聚焦难检测目标候选框的训练。消融实验表明,融合OS和DDES均可提升基准模型的性能,同时使用OS和DDES性能最优。与7种流行算法在两个公开数据集上的实验对比表明,本文方法的总体性能最优,进一步验证了本文方法的有效性。