近年来,遥感技术发展迅速,数据的空间、时间和光谱分辨率不断提升,使越来越多的基于遥感影像的应用成为可能,如环境调查、城市规划、区域监测等。遥感影像中的目标检测作为一项基础任务,是该领域的一个研究热点。特别是近年来高速发展的高分辨率光学遥感影像包含更多细节信息,使基于遥感影像的目标检测变得更有意义,同时也更有挑战性。但是目前遥感影像的目标检测多基于图像处理或传统机器学习方法,需要丰富的经验和完备的先验知识,且大多针对特定场景,扩展性不强,进步缓慢。另一方面,自然图像领域的目标检测,由于深度学习框架的提出有了根本性的进展,但是深度学习在遥感影像目标检测领域还处于起步阶段。此外,目前基于遥感影像的目标检测都是基于裁剪后相对较小幅面的影像,而直接在大幅面的影像上进行目标检测更具有现实意义。因此,本文提出了一个对影像尺度可扩展的融合上下文场景特征的深度学习遥感影像目标检测算法,并在不同尺度的高分辨率光学遥感影像上进行了验证。具体来说,本文提出的算法可分为三个阶段:为了加快检测速度,首先采用候选区域提取算法获得目标可能的候选区域,再对候选区域进行特征提取,最后进行分类判别和后处理。对于候选区域提取阶段,通过分析遥感影像目标检测任务的特殊性,选定对影像尺度可扩展的BING(Binarized Normed Gradients)算法,并通过集成多弱特征评分对算法进行了改进,实验表明改进的算法在获得相同数量的候选窗口时,对目标有更好的检测率,并且对目标覆盖更精准。对于特征提取阶段,本文将深度学习引入到遥感影像的目标检测中,采用卷积神经网络分别提取候选区域和候选区域上下文场景的深层特征,并将目标特征和场景特征融合后进行分类检测,进一步提高了算法的检测性能。另外,通过迁移学习解决了遥感影像标注数据相对较少的问题,降低了网络过拟合的风险,提高了网络对遥感目标特征和场景特征的表达能力。最后在分类判别阶段,训练分类器的过程中结合难分样本挖掘策略,并对检测结果进行去重,进一步优化检测结果。