随着无人机技术的发展及遥感观测平台的多样化,有关遥感图像的处理技术越来越受到人们的关注,由于遥感图像目标检测技术在军事侦察,地形勘探以及灾后重建等方面有着广泛的应用,已然成为该领域的研究热点。但是因为遥感图像成像方式的固有缺陷,图像中大部分目标物体尺度小,角度变化大,甚至有些目标物体处于遮挡或是复杂背景(背景和目标物体有着相似的颜色和纹理特征)中,这给遥感图像目标检测技术带来了极大的挑战。近年来,尽管基于深度学习方法的运用极大地提高了目标检测的精度和速度,然而对复杂背景下的小目标检测仍存在着较高的误检率和漏检率。针对以上问题,本文提出了基于多成分融合网络的深度卷积神经网络模型来改善遥感图像目标检测精度,首先设计了双向金字塔融合网络作为特征提取的主干网络,该网络通过对低级特征的有效利用,弥补了随着深度的加深,卷积神经网络的特征图中所包含的物体的空间位置信息越来越少的缺陷,增强了对遥感图像中小物体的特征提取能力。然后提出了相对交并比的概念并将其应用于区域推荐网络中,使该网络能够根据相对交并比的大小,最大化地学习物体的局部特征,有助于遮挡下物体的检测。最后通过上下文信息网络对上个网络得到初步检测结果的强相关背景特征的学习,在提升复杂背景下目标检测效果的同时得到了更加优化的目标分类和定位结果。实验结果表明了本模型在检测遥感图像中的小目标甚至是处于遮挡或复杂背景中目标时表现良好。为了进一步加快模型检测的速度,本文又提出了并行感知注意力深度卷积神经网络结构,该网络结构主要由并行的多尺度注意力模块,上下文注意力模块以及通道注意力模块组成。首先融合多个尺度下三个并行模块的输出,获得丰富的多尺度特征,上下文特征以及非局部的关联特征。然后在得到的融合后特征图中使用可变形卷积代替传统卷积,从而更好地提取方向敏感的物体特征。最后使用距离交并比损失代替传统的边界框损失,在加快模型收敛速度的同时获得了更精确的目标定位。实验结果验证了将本网络结构作为目标检测的主干网络可以保证较高检测精度的同时较上一模型有效地提升检测速度,同时对处于复杂场景下的目标亦有很好的检测效果。