可见光遥感图像下的目标检测广泛地应用于军事侦察、交通监控和搜索救援等领域。遥感图像中形如飞机、舰船、车辆等目标的轴线方向是任意的,目标存在大长宽比和密集排列等特点。水平框检测目标会引入较多背景,难以反映目标的真实位置信息,而有方向的包围框（有向框）可以更精确的定位目标。在实际应用中,遥感图像下的目标检测需要同时满足速度和精度的要求。因此本文基于有向框,针对检测速度慢和目标漏检等问题,开展了以下研究:针对现有的有向框表示方法的不足,本文提出基于点-边界距离向量（the Point-Boundary distance Vectors,P-BV）的有向框表示方法和IOU角度损失函数。P-BV以目标内一点为坐标原点建立笛卡尔坐标系,利用该点到该目标的边界框四条边的垂直向量表示目标。IOU角度损失函数使用真实框和预测框的交并比来反映角度的预测差。这种表示方法可以更好的适应目标长宽比的变化,解决了角度损失不连续和参数回归不一致的问题,加快了模型的收敛速度。针对现有的有向目标检测算法速度慢、对水平方向目标检测精度低的问题,本文提出基于点-边界距离向量的无锚框快速目标检测算法（P-BV+算法）。该方法通过上采样融合不同尺度的特征图,生成单张高分辨率的特征图,直接在该特征图上密集预测类别、距离向量和中心度。并在此基础上加入水平框预测分支,提高对水平方向目标的检测精度。实验结果表明本文提出的方法可以实现对目标的快速检测。针对目前单阶段有向目标检测算法在目标密集分布时容易漏检和目标定位不准的问题,P-BV++算法在P-BV+算法的基础上加入多尺度空间注意力机制和特征细化模块。多尺度空间注意力机制在密集连接的多尺度特征图上,生成区分目标和背景的空间注意力热度图,以增强目标特征,抑制背景干扰。特征细化模块采用由粗到精的级联回归策略,利用初次预测的有向框位置信息,指导可变形卷积聚合目标周围的上下文和边界信息,重新编码分类和回归特征,生成更加精确的定位结果。在多个数据集上的实验结果证明了本文提出的P-BV++算法对检测性能的提升。