遥感图像的目标检测是图像解译任务重要基础。随着遥感图像分辨率的提高,高分遥感影像的目标检测成为遥感图像处理领域的一个热点问题,相较于一般人工设计的特征提取方法,基于深度学习的目标检测算法鲁棒性好、检测结果的精度高,在自然图像方面的检测取得了关键性突破。但是在遥感图像目标检测中直接采用基于自然图像的目标检测算法,无法取得高精度的检测结果,这是因为高分遥感图像目标自身形态多变、尺寸不一,背景复杂而又分布密集,这为检测任务带来了新的挑战。因此,本文结合深度学习研究基于卷积神经网络的遥感目标检测算法,论文的主要研究工作如下:(1)给出了一种基于YOLOv3深度学习目标检测的算法,对基础的特征提取网络和训练的损失函数进行改进,训练并生成有利于遥感地物检测的模型。根据构建的遥感图像目标检测数据集,设计新的网络结构Darknet46,能够更有效的提取图像的深度特征,提高网络的检测速率;在模型训练中,使用K-means算法对训练数据集聚类,设计出合适的聚类中心;改进YOLOv3的损失函数,并通过实验证明有效性。最后通过与典型算法YOLOv3、Faster R-CNN的对比实验表明:改进模型对三类不同的地物目标均能获得更高的mAP,在一定程度上提高了精确率和召回率。(2)提出一种基于Faster-RCNN的高分遥感图像的目标检测算法。以残差卷积网络ResNet50与特征金字塔结构融合的网络结构代替VGG16,并把常规的卷积方式替换为空洞卷积,扩大感受野,实现对复杂地物深层次的特征的有效提取;采用ROI Align代替ROI Pooling操作,解决ROI Pooling操作中量化造成的区域位置偏差;用改进的Soft Non-Maximum Suppression(Soft-NMS)方法代替传统的非极大值抑制算法(Non-Maximum Suppression,NMS)进行后处理,改善了 NMS算法对检测框的错误抑制和易重叠问题。实验结果表明,在公开的DIOR数据集上,与YOLOv3、Faster R-CNN相比,改进Faster R-CNN算法能够适应遥感目标尺度变化大的特点,对小目标的检测效果较好,精度得到显著提升。