近年来,遥感领域进入了一个新的智能化发展时期。遥感领域同人工智能技术紧密结合,逐渐深入到军用、民用、商用等各方面,其发展水平已成为综合国力评价的重要标志之一。遥感影像目标检测作为遥感影像处理中一个重要的研究方向,其目的是对遥感图像中感兴趣的目标进行分类和定位。针对复杂遥感场景下多尺度,多方向目标的特性,本文基于深度学习中的多尺度特征学习理论,提出三种目标检测方法,主要工作如下:(1)提出一种基于语义引导特征增强和上下文学习的遥感影像目标检测方法。在基准方法Retina Net检测模型的基础上,考遥感影像中多尺度目标语义特征表示缺乏,以及遥感影像背景复杂的问题,一方面,构建语义引导特征增强模块,用于提升多尺度目标语义特征的表达能力,另一方面,构建上下文学习模块,用于建立遥感影像中上下文信息关联。将所构建的两个模块用于增强特征金字塔网络的表达能力。将所提方法在两组数据集NWPU VHR-10-v2及DIOR上进行实验,实验结果显示,与其它遥感目标检测检测方法相比,检测精度更高,相比于基准方法Retina Net,在两组数据集上的检测精度分别提升4.01%,2.94%,证明了所提方法的有效性。(2)提出一种基于特征位置对齐学习的全卷积遥感影像目标检测方法。为了更灵活检测多尺度的目标,基准方法采用单阶段的全卷积目标检测方法。一方面,针对基准方法在预测目标位置特征和分类特征错位的情况下,引入特征位置对齐模块,使得目标的分类特征和目标更新后的位置特征保持一致,缓解目标分类得分与目标位置不匹配的情况。另一方面,针对基准方法在位置回归任务优化不稳定问题,引入一种基于距离归一化的交并比损失函数,使得回归训练更稳定高效。所提方法在两组数据集NWPU VHR-10-v2和DIOR上进行验证,实验结果显示,与其它遥感影像目标检测方法相比,获得了更高的检测精度,相比于基准方法,在两个数据集上的检测精度分别提升2.8%,2.1%,证明了所提方法的有效性。(3)提出一种基于多尺度特征增强和旋转框的遥感影像目标检测方法。为了更准确地检测到目标,基准方法采用基于旋转框的目标检测方法。一方面,面对遥感影像中多尺度的目标,引入多尺度特征增强模块,提升多尺度目标特征的学习能力。另一方面,面对遥感影像中的极端尺度目标,存在召回率不高的问题,应用锚框与真值框的匹配策略,增加召回率。在旋转框数据集DOTA上进行验证,实验结果显示,与其它方法相比,所提方法的检测精度更高,相比于基准方法,在验证集上的检测精度获得1.188%提升。