随着卫星遥感技术的发展,大量有价值的光学遥感卫星图像被应用到军事侦察、环境监控和农业生产等领域,体现出光学遥感卫星数据重要的应用和研究价值。根据传感器的类别,光学遥感图像可以分成可见光遥感图像、合成孔径雷达图像和红外遥感图像等。本文主要研究可见光遥感图像（RGB）的目标检测任务。在卫星遥感图像处理的领域里,光学遥感图像的目标检测任务基础且重要。尤其是随着近些年深度学习的发展,大量学者开始使用深度学习方法对光学遥感图像进行目标检测,但是由于光学遥感图像分辨率较高,目标类内差异大,同时光学遥感图像目标存在多方向性和多旋转性的特点,使用深度学习对光学遥感图像进行目标检测还处在发展阶段。为了更好的解决上述问题,本文基于Center Net基础检测模型,使用深度学习对遥感图像中的可见光RGB遥感图像进行目标检测。本文的主要研究内容和创新点如下:（1）基于注意力机制的光学遥感图像目标检测方法研究。注意力模型（Attention Model,AM）能够对当前任务最关键且最重要的信息进行筛选。为了解决光学遥感图像同类目标尺寸形态各异和背景复杂,目标和背景较难区分的问题,本文提出了一种基于注意力机制的光学遥感图像目标检测算法。首先根据光学遥感图像目标的特性选择Hourglass-104特征提取网络作为主干网络,使其能够提取更多维层次的特征;同时在特征提取网络的每一阶层引入空间注意力机制和通道注意力机制模块,对每一阶层分辨率的特征进行不同权重的分配,从而使网络在复杂背景下能够筛选出更关键的信息。通过后续的主客观分析和多种现有对比算法的实验结果可以看出,本文提出的基于注意力机制的光学遥感图像目标检测算法比原始的Center Net方法在HRRSD精度上提升了0.5个百分点,能够较好区分目标和背景,同时对于背景单一的小尺度目标也具有一定的适用性,且在综合检测效果方面优于其他5种对比算法。（2）基于多尺度特征融合的光学遥感图像目标检测方法研究。多尺度特征融合不仅能够提升小尺寸目标的检测性能,同时能够提升特征的深度表征能力。为了解决光学遥感图像在复杂背景下小尺寸目标较难检测的问题,本文在（1）的基础上,设计了基于多尺度融合的网络结构。首先在特征提取网络中设计高效的同尺度跨阶连接,从而在不增加大量成本的情况下融合更多的特征;同时在特征提取网络中对于不同尺度的跨阶特征采用自上而下的方式进行多尺度特征融合,进一步提升网络的性能。通过后续的主客观分析和多种对比算法的实验结果可以看出,本文提出的基于多尺度特征融合的光学遥感图像目标检测算法比原始的Center Net方法在HRRSD数据集精度上提升了1.8个百分点,比（1）中方法提升了1.15个百分点。该方法能够提取小尺寸目标丰富的语义信息和位置信息,对于在复杂背景下尺度多变的小目标而言检测效果较好,且综合检测效果优于其他5种对比算法。