近年来,深度学习由于其强大的特征提取和表示能力,已经被广泛应用在遥感图像中提升目标检测与跟踪的性能。遥感图像凭借其对地面信息抓取的优势,可以准确反映各种真实场景,使得其不仅在民用中服务于交通、农林、环境监测等,而且对于军事中的目标侦察,战场动态分析以及打击效果评估等方面都有着广泛的应用。但是,在真实场景下遥感图像会存在目标尺寸差异大、背景复杂度高、小尺寸目标、和目标稠密等多种情况,导致目标在检测与跟踪过程中性能较差,常出现错检和漏检现象。针对上述情况,本文研究基于卷积神经网络的遥感成像目标检测与跟踪技术。本文主要研究内容有:（1）在目标检测过程中,对于小型目标的检测需要较高的分辨率和足够的语义信息,而大型目标的检测需要更大的感受野。针对此问题,本文基于尺度不变性设计一个并行分支网络,利用不同扩张率的膨胀卷积分别处理两个分支网络,从而呈现适合不同尺度目标的感受野,提高小目标分辨率同时增大大型目标的感受野;（2）针对小型目标表征能力差的问题,本文提出增强均衡特征融合方式,利用特征金字塔网络的输出进行融合处理,获得图像全局特征信息,再将其与特征金字塔的输出特征图进行融合。该模型不仅能增强原来特征金字塔的输出,还能使其融合全局信息;（3）针对物体运动轨迹的非线性问题,构建基于循环卷积网络BLSTM运动轨迹预测模型。在原来Deep Sort算法基础上,引入具有回归能力的BLSTM,不仅有效获取序列图像的时空信息,而且融合上下文信息,提升处理目标遮挡问题的能力;本文研究方法在多类遥感数据集下进行试验测试,验证方法有效性,在一定程度上提高了遥感图像目标检测与跟踪的鲁棒性。