遥感图像目标检测作为一个基础且具有挑战性的视觉任务,不仅在军事领域应用广泛,如准确获取战场信息并对敌方进行精准打击。它还在民用领域具有广泛的应用,例如环境管理、区域规划和矿产资源勘探等。现有的遥感图像目标检测方法大都基于anchor boxes,这类方法会因为过多的anchor boxes引入大量的超参数,增加了内存占用以及冗余的计算量,甚至会导致严重的正负样本不平衡等问题。另外,遥感图像又具有背景复杂,目标尺寸变化大且排列密集,目标具有方向性等特点,进一步增加了遥感图像目标检测的难度。除此以外,现在的遥感图像尺寸越来越大,数据量也逐渐增多,为了能够获得更好的检测性能,模型的深度和复杂度也随之增加,虽然这很大程度提高了检测精度,但是在对模型复杂度有很高要求的应用场景下,例如军事领域需要将模型部署到无人机等设备上进行监测任务,如果模型过于复杂也是不易部署的。构建稳定轻量且性能好的anchor-free遥感图像目标检测器,是该课题研究中的重点。本文具体研究工作如下:（1）针对现有遵循anchor机制的遥感图像目标检测所带来的问题,本文提出了基于anchor-free的遥感图像目标检测方法。在该方法中本文设计了密集路径聚合特征金字塔网络,该网络充分利用高层语义信息与低层纹理信息,提升了网络对于不同尺度目标的检测能力。除此以外,本文还提出了中心区域采样策略,避免了采样过程中模糊样本或者噪声样本对模型性能的影响。实验表明本章方法在遥感图像目标检测任务上能够获得更好的表现。（2）针对遥感图像中目标具有任意方向的特性,本文提出了基于关键点的遥感图像定向目标检测方法。在该方法中,考虑到遥感图像背景复杂导致特征中会有很多的噪声信息,导致特征比较粗糙,本文提出了语义迁移模块对特征精细化。另外,考虑到遥感图像中的目标尺寸变化多样,提出了自适应高斯热图对目标进行定位和分类。实验表明本章方法在遥感图像定向目标检测任务上能够获得更好的表现。（3）针对遥感图像目标检测模型被过度参数化的问题,本文提出了基于知识蒸馏的遥感图像目标检测方法。通过该方法得到了一个轻量的检测网络。实验表明,该方法在精度损失较小的情况下,可以大幅度降低模型复杂度。