随着遥感观测技术的不断发展,越来越多的应用场景逐步引入遥感信息的辅助。目标检测问题是遥感信息分析中的关键一环。不同于分类问题,目标检测需要区分出地物的具体类别,同时给出具体的位置信息,因此更具挑战。本文以高分辨率遥感图像中的飞机目标检测任务为例,结合迁移学习对遥感图像目标检测算法展开研究。具体的研究内容包括以下几个方面:首先,对迁移学习的基础理论及本文涉及的相关知识进行分析。目前对迁移学习的核心研究方法就是找到领域之间的相似性,本文研究了 7类领域间相似性的度量准则。此外,本文的主要研究内容是深度目标检测算法,因此着重研究了四种深度迁移方法作为后续研究内容的理论基础。其次,本文将自然图像目标检测方法中的Faster R-CNN算法应用于遥感图像飞机目标检测任务中。针对遥感图像样本数据量小的问题,本文采用模型迁移的方法,基于飞机样本数据集对自然图像中的源模型进行训练。本文对比了交替训练和近似联合训练两种训练方式,并分析了网络规模与样本数量对模型迁移的影响。结果表明,在近似联合训练的方式下,网络越复杂,检测精度越高;此外,统一选择ZF网络作为源模型,训练样本数量越多,模型迁移的效果越好;在约1000张图像构成的小规模数据集上训练得到模型的检测精度达81.41%,可以满足样本稀缺条件下的一般检测任务的要求,证明了迁移学习的有效性。最后,本文以迁移学习中的领域自适应问题为基础,提出了一种域适应Faster R-CNN目标检测算法。域适应Faster R-CNN目标检测算法在原Faster R-CNN的基础上增加了两种领域自适应结构,能够解决遥感目标检测问题中训练数据与测试数据分布不一致的情况,因此能够在图像质量不佳时,较好地完成遥感目标检测任务。本文以低亮度情况下的飞机目标检测任务为例,在无监督的条件下进行域适应实验,相比于原Faster R-CNN目标检测算法,改进算法的检测精度大大提高。