随着计算机和遥感技术的不断发展,人们采集、存储遥感影像数据的能力得到了很大的提升,同时基于深度学习的目标检测任务也逐渐应用于遥感影像中。使用深度学习的方法训练检测器需要大量有标签数据驱动才能获得很好的检测效果,而现实中存在海量无标签数据,所以使用这些无标签数据来辅助优化检测器具有很大的研究意义。首先,本课题分析传统基于自训练的半监督学习方法理论,依据相似性聚簇原理假设,将EM算法思想应用于半监督学习任务中,从而实现使用迭代自训练的半监督方法训练目标检测器;为了充分从无标签数据的伪标签中学习到更多的有用信息,提出使用一致性策略来改进,采用mixup数据增强的方法对伪标签进行强增强,从而提高模型的鲁棒性和泛化能力,进而减少模型对错误伪标签的记忆。其次,迭代自训练方法中随着迭代次数的不断增加,目标检测器的精度会先提升后下降,主要由于伪标签中的错误信息在迭代时会在模型中不断累积,进而导致模型的精度会降低。因此本课题提出将海量无标签数据划分子集的方法,每次迭代时新增一个子集到后续训练使用的无标签数据中,使得在模型精度较低时使用较少的伪标签数据,进而减少模型中引入的错误信息。同时,为了进一步降低错误信息的累积,提出半监督损失方法来降低伪标签数据在模型训练中的贡献度,进而降低伪标签中的错误信息在模型中的累积。最终实验结果表明,使用不同的半监督学习方法对模型有不同程度的提升:只使用DOTA中10%的有标签数据训练模型精度为66.34%,使用自训练方法和mixup数据增强后精度分别达到了69.37%和70.43%;同时只使用子集划分思想模型精度达到70.86%,联合使用半监督损失、子集划分和数据增强的方法模型精度达到最高73.83%,相比于最初模型提升了7.49个百分点。