随着光学遥感技术的快速发展,遥感图像目标检测技术的应用领域越来越广泛。遥感图像具有背景信息复杂、目标排列密集、尺度变化较大的特点,现有的目标检测算法对上下文信息的应用不足。本文提出了新的目标检测算法来有效利用上下文信息,提升目标检测算法的检测精度和多尺度检测性能,主要的研究工作如下:针对基于锚框的目标检测算法中目标候选区域确定的硬判别方法所造成的尺度变化大的候选目标匹配度不足的问题。设计了基于上下文信息的目标候选区域生成算法,通过多通道信息关联自适应地生成更具语义代表性的高匹配度目标候选区域,并结合生成的尺度信息和可切换的空洞卷积动态选取最合适的特征感受野。针对单一交并比指标不能全面评价目标候选区域与实际目标的匹配度的问题,设计了多指标综合匹配度量模型,建立了正负样本分配的概率判别算法,可有效过滤匹配度较低的候选区域,降低虚警。针对无锚框的目标检测算法中定位和识别任务共享目标特征时存在优化目标不一致的问题,设计了基于双分支多任务信息增强的目标检测算法。利用目标先验信息和多尺度语义分割分别增强定位和识别任务的局部上下文信息、缓解信息偏差问题;针对算法没有有效利用遥感场景信息的问题,设计了全局上下文模块提取全局场景信息用于定位识别。实验证明了该算法有效提升了检测性能。针对现有目标检测算法对目标尺度变化适应性差的问题,设计了基于MITransformer模型的多尺度特征融合检测算法。采用线性上下文函数提取同层次上下文关联,利用跨尺度上下文编码完成多尺度信息交互,通过权重解码进行特征融合。实验证明了该算法有效提升了多种算法的多尺度检测能力。针对实际工程应用需求,设计了基于信息增益的低精度量化算法,结合基于均方误差的知识蒸馏技术和Tensor RT推理加速库,对算法模型的部署优化进行了研究,并实现了在NVIDIA Xavier嵌入式平台上的优化模型部署。在保证精度的同时,优化模型的规模降低了60%以上,推理速度提升了2倍以上。