遥感图像中极小目标检测的问题一直是目标检测研究工作中的难点之一,由于极小目标的成像面积小（小于或等于20×20像素）,携带的信息量少,导致目标的纹理边缘或者形状的特征信息十分欠缺,难以实现特征的有效提取和融合。传统的目标检测技术在遥感图像上的效果很差,虽然卷积神经网络的提出简化了检测的流程并提高了检测精度,但是在遥感图像上的检测性能还是不够理想。本文对面向遥感图像的极小目标检测算法进行了研究,主要工作如下:（1）针对公开的遥感图像极小目标数据集匮乏的问题,建立了一种新的遥感图像极小目标数据集RS-M（Remote Sensing image Minimal target dataset）,其中大多数目标的大小都在20×20像素及以下。此外通过采用多种数据增强方法包括Cut Out方法、Mix Up方法、Cut Mix方法、Mosaic方法以及Bilateral Blurring方法等实现了数据集的扩充,得到增强后的数据集ERS-M。其中数据集的图像数量扩大了约4倍,极小目标的数量增加了10倍左右。（2）针对极小目标难以检测的问题,提出了一种加强版特征金字塔网络SFPN（Strengthened Feature Pyramid Network）,在特征金字塔FPN的基础上增加了一条自底向上的路径对特征进行融合,能够将极小目标不同深度的特征实现融合。在不同的主干网络上对提出的SFPN进行了验证,结果显示SFPN提高了极小目标的检测精度。（3）针对通用的检测模型在极小目标检测上性能不好的问题,提出了一种适合于极小目标检测的网络SAD-CSPDark Net。首先,在主干网络中加入注意力机制以及空间金字塔池化结构,用于实现对重要特征的有效提取以及调整网络的感受野、增强网络对极小目标的提取能力;其次,将注意力机制添加在特征融合网络中,提高了网络的特征融合能力;再次,在检测子网络上增加了两个不同通道数的卷积,用于压缩网络的参数量,有利于进一步提高检测精度;最后,在ERS-M数据集上与YOLO系列的检测网络做了对比实验,实验结果表明提出的SAD-CSPDark Net在极小目标的检测精度上得到了提升。