遥感图像目标检测与分割是计算机视觉一个重要研究方向,在民用、军用等领域具有非常广泛的应用前景。随着技术的发展,利用深度学习对遥感图像进行处理成为当下研究的热点。深度学习目标检测和分割网络根据是否使用感兴趣区域提取网络可以分为两类,即使用感兴趣提取网络的高精度、低时效的二阶段网络和未使用感兴趣区域提取网络的低精度、高时效的一阶段网络。本文重点研究了二阶段方式的遥感图像多目标检测和分割算法,完成的主要工作如下:（1）在遥感图像多目标检测方面。首先,针对遥感图像特征提取困难的问题,设计了分层跳连特征融合的多层特征金字塔结构,以增强图像底层信息与高维度抽象信息的融合;其次,为解决遥感图像目标间尺寸差异过大、小目标过多,极易造成特征提取不充分,出现大目标或小目标感兴趣区域检测丢失的问题,通过加入K-means算法利用遥感图像本身尺寸特点,自动初始化感兴趣区域提取网络的面积集合,使得网络更好地兼顾了不同目标间的尺寸特性,更易于后续目标检测的实现;最后,对于遥感图像一些小目标间存在重叠过多的现象,为避免利用非极大值抑制算法极易造成目标丢失的缺陷,采用了软化非极大值抑制算法,通过减少置信度而非硬性删除的方式来降低每个目标区域被删除的概率,提高了检测的准确率。（2）在遥感图像多目标分割方面。首先,为了提高网络目标边界的提取能力,在全卷积网络的基础上加入局部融合全连接网络,利用全连接网络更精准地提取功能辅助全卷积网络实现更好的分割;其次,为保证每个像素点都能够在具有更高分辨率的特征图上进行分类,设计了双线性插值加1×1卷积相结合的上采样操作来取代常用的反卷积方式,消除了反卷积网络带来棋盘效应的同时,降低了网络的运算量;最后,为了进一步加强网络的目标定位和边界分割能力,引入了自注意力机制模块和边缘检测算子,并通过两者的结合来实现更好的分割。（3）另外,基于NWPU VHR-10数据集,将本文算法与其它相关的同类方法进行了对比实验。实验结果表明,在目标检测方面,本文算法显著提高了检测的精度,在IOU为0.7时,平均准确率达到了90.99%,特别是对于小目标检测精度的提高尤为明显。在目标分割方面,在IOU分别为0.5、0.6和0.7时,平均分割准确率分别达到了95.68%、92.25%和79.35%,且本文分割网络能够更加细致地提取目标边缘轮廓。