遥感影像目标检测在军事目标探测,城市建设规划,企业户外设施监测等各领域有着重要的研究价值。随着遥感技术的发展,遥感影像的空间分辨率逐步提高,可得到的遥感影像中的细节信息越来越丰富,使得遥感影像中的典型目标识别工作具备了很强的可行性。本文针对已有的深度学习目标检测算法在遥感图像目标检测中普遍存在的问题做了一定的研究和改进。针对通用目标检测算法准确率不高,检测到的目标中出现的大量的负样本无法做到在线分离,需要手动添加负样本反复迭代的情况。提出了两种难例挖掘方法并建立了关于遥感影像中典型目标检测的数据集。提高了现有目标检测算法的检测准确率,使得现有的深度学习方法能更好的应用到遥感影像中,本文主要完成以下工作。1、提出双阈值检测算法,在双阈值网络的算法研究中,我们针对基础网络的检测结果做二次决策。在原有的单阶段目标检测网络中,重新引出一个分支网络,对置信度落入阈值区间的目标,在分支网络中进行特征提取和感兴趣区域池化之后重新计算置信度,实现正负样本的分离,从而提高遥感图像目标检测的精度。2、提出点约束模型算法,通过关键点的特征信息约束来自初始网络检测结果,融合两次检测信息,做难例挖掘。初始检测网络的主干网络中,提取一部分特征。将该部分特征送入到一个网络中,最终预测出一个关键点的置信度,综合该关键点的置信度和主干网中的目标框的位置和类别信息从而得到更精确的难例结果。3、为了验证算法效果,本文同时提出了一个遥感影像中输电塔的数据集合,该数据集以遥感影像中的电塔为典型目标,在该任务中遥感影像中容易出现大量类似输电塔的目标,如信号塔、屋顶、特别的三角状地貌等,因此采用这一数据集合评估算法更具有说服力。实验证明,在该数据集合上,双阈值双阈值网络相比对应的基础网络在准确率上提升了7%。基于点约束的检测网络在遥感影像中难例挖掘网络相比单阶段的目标检测算法在准确率上提升了6%。通过实验分析,证明本文提出的难例挖掘方法效果显著。