随着航空航天领域技术的发展,遥感卫星图像资源在城市规划、军事侦查、国土资源等众多领域应用广泛。高分辨率遥感图像目标检测成为遥感图像处理领域的重要研究方向。建筑物是城市或城郊地面的重要标志特征,因此在遥感领域中建筑物的检测识别成为重要课题。传统目标检测方法的特征表示是基于经验手工设计的,这样很耗费时间,不能发掘图像更高维度的特征信息,而基于深度学习的图像处理能快速有效的学习图像特征。当前,Faster R-CNN作为基于深度学习的目标检测的主流算法,因此本文把Faster R-CNN算法应用于建筑物的检测任务中。该算法在谷歌、高分二号图像建筑物特征集上分别取得53.7%和51.7%的检测精度。针对建筑物检测精度低的情况,本文从以下三个方面来提升检测精度。首先,本文使用在线困难样本挖掘算法(Online Hard Example Mining,简称OHEM)改进了FasterR-CNN算法,提出了OHEM+Faster R-CNN的算法,OHEM是将难以训练的困难样本筛选再训练的一种算法,此项改进使得建筑物检测精度在谷歌、高分二号图像建筑物特征集分别提高到58.2%和63.3%。其次,为了进一步提高建筑检测精度,在OHEM算法的基础上把Faster R-CNN算法中的VGG16网络替换为残差网络ResNet,ResNet解决了随着网络模型深度变深后性能退化的问题,其核心内容就是在浅层网络基础上增加恒等映射层,此改进使得建筑物检测精度在谷歌、高分二号图像建筑物特征集分别提高到60.2%和65.6%。最后,本文使用了R-FCN(Region-based Fully Convolutional Networks)算法应用到遥感图像建筑物检测中。R-FCN使用位敏得分地图来编码记录目标位置信息,能进一步提高检测精度。OHEM+R-FCN算法在谷歌、高分二号图像建筑物特征集分别取得了74.1%和78.5%的检测精度。