随着遥感和计算机技术的快速发展,大批高分辨的对地观测卫星应运而生,提供了海量优质的遥感数据资源。不同于拍摄距离较近的一般图像,遥感图像具有视野范围大,数据综合性强等优良特性,在环境监测、资源勘查、区域规划等领域有着广泛的应用。遥感图像作为对地观测的主要手段之一,研究如何快速准确地提取出其中的有效信息并加以利用,有着重要的意义。由于本身的特点,图像中常常包含数量繁多的小目标和密集场景,同时存在目标形变和背景难以区分等问题,因此对遥感图像中目标进行准确的识别需要设计更加具有针对性的算法。鉴于近年来深度学习类算法在自然图像目标检测任务中表现优异,其将目标特征提取、分类回归等过程集中到神经网络中,提高了特征提取的维度,相比于依靠人工设计特征的传统算法检测精度有了显著的提升。其中,基于卷积神经网络的方法展现出较高的性能,由此确立了本文提升遥感图像目标检测准确率的研究方向。本文分析了当前遥感图像目标检测中存在的难点,在两阶段目标检测模型Faster R-CNN框架基础上,根据现实需求提出了改进模型方法,主要研究工作如下:（1）提出了基于FPN-Res Net的锚点增补及密集场景优化模型。针对遥感图像的特点问题,采用残差网络Res Net101替换VGG-16网络来升级特征提取的核心网络。进一步的,对于高层网络经多次特征提取后小目标特征不明显导致小目标漏检和分类错误的问题,通过引入特征金字塔网络融合不同层级特征图的优势来增强特征表征。同时设计小目标锚点增补来让小目标的锚点可以获得更多的训练机会而不容易被轻易忽略。并采用优化后的非极大值抑制方法,让网络在对重复框消除和有效框避免漏检之间获得平衡。模型的针对性改进让遥感图像中小目标的检测精度获得了明显提升,目标密集场景下的检测效果也得到了改善。（2）提出了基于可变形卷积的多分支RPN遥感图像目标检测模型。对于之前仍未解决的目标形变和背景干扰问题展开研究,提高模型对各种尺寸目标的检测能力。引入可变形卷积,利用其形变能力使卷积更贴近目标形状,设计多分支RPN结构,利用不同大小卷积核针对不同尺度目标敏感性的差异,增强网络对各尺度目标的识别能力。通过聚类算法来优化目标候选框的尺寸,并在网络中融入注意力机制来进一步选择重要信息,抑制无用背景信息,增强网络的鲁棒性。通过实验,本文的改进算法在公开遥感数据集上对于各类型目标检测效果均得到一定的提升,尤其在背景复杂场景下提升效果尤为显著。