近年来,高分辨率光学遥感影像弱小目标检测成为遥感信息处理的研究热点之一。影像中地物目标尺度小、种类多、数量巨大、视觉特征差异显著、且受复杂背景、噪声和小样本等因素影响,使得高分辨率遥感影像弱小目标检测面临巨大挑战。本文考虑到高分辨率遥感影像具有丰富空间细节信息的特点,基于深度神经网络强大的层次特征表达能力,开展面向高分辨率遥感影像弱小目标检测的深度学习模型研究,围绕“弱小目标尺度小-特征响应弱-标注样本少”三个科学问题,开展系统研究,为城市监控、防灾救灾等领域中弱小目标检测任务提供解译模型,具有重大的科学意义和社会价值。论文的主要创新点和研究内容如下:（1）本文详细介绍高分辨率遥感影像弱小目标检测的应用背景、核心科学问题,并系统回顾遥感目标检测领域的代表性数据集、主流检测方法,总结当前应对弱小目标检测不同挑战的研究现状。在此基础上,本文针对遥感领域缺少挑战性无人机目标检测数据,以复杂山区为研究区域,标注10类高分辨率无人机影像弱小目标检测数据集,该数据充分考虑到真实场景下地物目标多类共存、尺度差异大、非均衡分布以及噪声等因素,为本文和后续相关研究提供数据基础。（2）本文提出基于采样平衡的多尺度级联检测器。针对弱小目标尺度小,影像占比低,主流检测方法漏检率高的问题,本检测器首先构建影像多尺度空间信息,过滤低质量训练实例,加入平衡L1损失和多阶段检测器,实现抑制低质量样本梯度和自适应生成正训练实例,并逐步优化预测结果,达到对于小尺度地物目标高效检测。（3）本文提出基于上下文和尺度意识的特征增强检测器。针对弱小目标特征响应弱,受背景和噪声影响,导致难以识别的问题,本检测器挖掘目标的全局和局部上下文信息提升目标特征强度,并融合跨尺度特征语义,加强弱目标的特征判别性,提升弱目标的检测效果。（4）本文提出基于深度特征的半监督样本生成方法。针对主流深度学习模型依赖海量标注样本来实现高效的解译性能,但样本标注过程费时费力的问题,本方法首先利用预训练深度网络提取遥感影像高维特征,并从多特征空间对无标签样本类别进行评估,最后结合针对性判别器,提升标注准确性。本方法通过将无标签数据选择性标注,转化为标注训练集,从而显著小样本条件下高分辨率遥感影像解译效果。本论文面向高分辨率遥感影像弱小目标检测任务,针对高分辨率遥感影像空间细节信息丰富特点和弱小地物目标特性,首先标注10类高分辨率无人机影像弱小目标检测数据集,接下来提出基于深度神经网络的弱小目标检测方法体系,实现对高分辨率遥感影像中弱小地物目标高效检测,为实际应用中的弱小目标检测任务提供解译模型。