目标检测一直是计算机视觉领域中重要且基础的研究方向,在产业界也有巨大的应用需求。近年来,通用目标检测算法发展迅猛,检测精度和检测速度都有了明显的提升,取得了良好的检测效果。但是针对遥感图像的目标检测算法,在检测精度和速度上还难以达到自然图像的检测效果,其原因在于遥感图像具有目标方向变化大,分布密集易互扰,特征不全等特点。所以如何能准确地描述目标的位置信息,避免目标发生重叠和干扰,是提升遥感图像目标检测效果的关键。通用目标检测算法的水平检测框虽然能准确地描述自然图像中目标的位置信息,但是描述遥感图像的目标效果不佳。针对遥感图像的特点和挑战,本文提出了相应的改进方法,主要的工作如下:（1）针对遥感图像目标检测任务中的目标方向变化大、目标分布密集的特点,本文提出了基于旋转检测框的目标检测算法,通过中心点偏移表示法替代水平检测框,解决目标信息表示不精确的问题。实验结果表明,本文提出的基于旋转检测框的改进模型明显地提升了预测的精准度。（2）针对遥感图像目标检测任务中的目标方向变化大,目标特征不全的特点,本文提出了旋转马赛克的数据增强算法,通过将一张主图和随机的三张图片进行旋转拼接,可以极大地丰富训练数据集的方向和局部缺失特征。实验结果表明,本文提出的旋转马赛克数据增强算法对模型的鲁棒性和精确性有提升作用。（3）通过整合目前丰富的遥感图像数据源,效果良好的目标检测模型,以及开箱可用的互联网开发技术,本文构建了一个遥感图像目标检测系统,让理论研究和应用实践相结合。本文的改进算法主要在DOTA数据集上进行实验精度对比,论证了改进的YOLOv5模型具有更好的鲁棒性和泛化性。