遥感图像目标检测是传统目标检测问题的一个分支,是遥感图像处理的核心问题之一,其作为遥感图像分割、场景分类、遥感信息自动化提取等任务的基础在军用、民用领域都有广泛应用。近年来,随着搭载平台和传感器技术的不断发展,遥感图像的空间分辨率不断提高,与自然图像的视觉差异不断减小,越来越多的计算机视觉方法被应用于遥感图像目标检测,但遥感图像中的背景复杂度高、小目标、目标旋转等问题仍然是导致检测精度较低的关键性问题。为解决上述问题,本文提出了一种融合注意力机制的改进Faster R-CNN检测模型,并通过实验验证了本文方法的有效性。本文具体工作如下:(1)对公开的NWPU_VHR-10数据集进行预处理:首先对数据进行增广,通过翻转、平移、缩放变形等增加样本数量;然后使用图像增强手段,对数据集中的低质量图像用增强深度超分辨率(EDSR)网络进行超分辨率重构。最终得到3000幅图像的数据集,按3:1:1划分成训练集、验证集、测试集。(2)构建注意力机制特征提取网络:在选取的特征提取网络ResNet-101中引入注意力机制模块,意在图像特征提取时得到更多的检测目标信息,抑制无用的背景信息,从而解决遥感图像视野范围大导致的背景复杂和小目标问题。(3)对原Faster R-CNN检测模型进行改进:以注意力机制特征提取网络作为骨干网络;引入信号分析中的互相关概念,设计本文的互相关抑制策略,其核心思想是利用目标分布之间的互相关对候选框进行筛选,降低虚警率;使用弱化的非极大值抑制来替换传统非极大值抑制,用以适应遥感图像目标旋转问题,从而进一步提高检测器性能。为证明本文方法的有效性,进行了两组对比实验:第1组为本文使用的EDSR模块、注意力机制模块、互相关抑制模块、弱化的非极大值抑制的消融实验,结果表明每个模块均能一定程度的提高平均检测精度,证明了本文所提各模块的有效性;第2组为本文方法与其他现有方法在NWPU_VHR-10数据集上的对比分析,证明本文模型对背景复杂、物体旋转的遥感图像场景较其他方法有良好的适应性。