与针对自然图像的目标检测技术相比,针对遥感图像的目标检测技术面向的数据、应用领域均有不同。从数据角度,主要针对低空卫星拍摄的大场景遥感图像,拍摄视角为俯视;从应用领域角度,主要应用于军事目标侦测、船只搜救、地图绘制等领域。因此,研究针对遥感图像的目标检测技术有重要意义。本文从现有目标检测技术出发,针对遥感图像目标小、存在密集目标等特点,对现有目标检测技术进行改进,主要贡献如下:（1）提出基于注意力机制的双重特征金字塔网络。传统特征金字塔存在上采样粗糙、特征层间抽象程度不同无法直接相加的缺点,本网络通过利用空间注意力机制、通道注意力机制强化目标特征表示,提高目标检测模型性能。包含空间注意力模块、通道注意力模块,前者采用空间注意力机制学习上采样位置偏移和采样权重,自顶向下重新构建浅层特征,后者采用通道注意力机制自底向上重新构建深层特征。实验表明,本网络可将检测准确率提升一个百分点。同时,通过实验证明空间注意力模块有助于小目标识别、通道注意力模块有助于大目标识别。（2）提出基于特征融合的感兴趣区域特征提取网络。感兴趣区域特征提取是目标检测模型的关键,传统方法对同个候选区域不同层级感兴趣区域特征,只选取某一层级特征进行后续处理。该方式信息利用不充分。本网络通过将不同层级感兴趣区域特征融合后利用自注意力机制重新学习特征层权重,根据权重调整特征,得到新的感兴趣区域特征。由于该特征既包含浅层特征的细节信息,又包含深层特征的语义信息,因此可提高目标检测模型的性能。实验表明,本网络将检测准确率提升一个百分点。（3）提出基于交并比的加权损失函数。现有目标检测模型在计算误差时将交并比大于某一阈值的正样本均等看待,分类错误时产生的误差相同。但直观上与真实标记重合程度更大的正样本被错误分类更不能被接受。基于上述观点,本方法设计了基于交并比的加权损失函数,该损失函数在分类损失函数、边框回归损失函数中引入交并比加权因子,以调整不同交并比预测结果产生的权重,有效指导网络训练。实验表明,基于交并比的加权损失函数将检测准确率提升一个百分点。本文提出的三种技术对目标检测模型的不同阶段进行改进:双重特征金字塔网络在图像特征提取阶段发挥作用;感兴趣区特征提取网络在感兴趣区域特征生成阶段发挥作用;加权损失函数用于指导网络训练。最后,本文结合这三种目标检测技术训练出的目标检测模型相比特征金字塔对比算法性能明显提升。