随着遥感技术的发展,可以获得的遥感图像变得更加丰富,光学遥感图像中的目标检测在军用和民用领域发挥的作用也越来越大。目前,许多先进的目标检测算法虽然在自然图像中取得了成功,但在遥感目标检测任务中存在两方面的因素使得其发展受到限制:一方面是由于遥感图像中目标的尺度、旋转方向和分布密度的变化大而导致检测精度不高;另一方面则是原始遥感图像通常是高分辨率大尺度图像,使得分块检测时因检测空白图像而造成多余的时间消耗。因此,能够利用丰富的高分辨率光学遥感图像资源进行高效的遥感目标检测方法还需进一步研究。本文在对传统遥感图像目标检测方法和深度学习相关理论进行充分研究的基础上,针对遥感图像目标检测的主要难点和现有方法存在的问题,以典型的遥感船舶目标为例重点研究基于深度学习的大幅遥感图像目标检测与方向估计方法。本文从以下三方面进行:(1)分析传统的遥感图像目标检测算法,并研究基于局部显著性特征的遥感船舶目标检测与方向估计,通过分析其局限性后引出深度学习。从而进一步展开介绍深度学习中的卷积神经网络相关基础理论,分析当前流行的卷积神经网络模型结构及其优势与特点,随后又研究目前基于深度学习的多个典型目标检测算法。在分析各检测器的检测原理和优缺点后,结合自身实验需要选择了检测性能优秀的目标检测器——Light-head R-CNN作为研究基础。(2)提出一种基于由粗到细策略的大幅遥感图像快速目标检测方法。在粗检测阶段,使用迁移学习训练的分类模型从大幅遥感图像中获取候选区域图像。在细检测阶段,本文提出一种改进的目标检测器用于候选区域图像目标检测与方向估计,该检测器通过使用特征融合,Inception模块和可变形PSROI池化实现了更精确的目标检测。针对目标方向估计问题,本文在检测器预测目标位置坐标参数的同时添加角度参数,通过修改损失函数训练后,检测模型能实现稳定的旋转方向估计,从而通过旋转边界框实现旋转目标检测,旋转边界框相较于传统的水平边界框更加紧凑,对背景干扰具有更强的鲁棒性。(3)自行构建实验所需的分类数据集和目标检测数据集,在实验中对比了三种可进行旋转目标检测的遥感目标检测算法:改进的SSD(DRbox)、改进的Faster RCNN方法和R2CNN++,结果证明,本文提出的遥感目标检测检测器在其中检测精度最高。最后通过对大幅遥感图像测试实验证明,本文所提出的基于由粗到细策略的大幅遥感图像目标检测方法能有效提高检测效率,实现精度与速度的平衡。