随着遥感技术的发展,遥感图像由于覆盖范围广、信息量大、观测周期短等特点受到了广泛的关注和研究,遥感图像目标检测作为遥感图像解析的一个重要研究方向,其对于资源调查、灾害监测、资源勘探以及军事目标的识别判读等都具有重要的意义。由于遥感图像数据量巨大,依靠传统人工判读的方式从中提取特定目标的信息难以适应遥感技术的发展趋势,如何从这些数据中快速、准确的提取所需要的信息成为当今遥感图像解析的重点与难点。本文以光学遥感图像的目标检测算法为研究对象,主要围绕如何提高目标检测算法效率与目标中心的预测精度进行研究。本文在综述遥感图像目标检测算法的基础上对其归纳和总结,阐述算法的基本原理和检测过程,并对经典的目标检测算法进行仿真实验和分析。文中首先阐述了特征提取对目标检测的重要性,然后重点介绍了目标检测中常用的几种特征以及基于这些特征的飞机目标检测算法,并对算法进行仿真实验,分析算法中存在的不足之处。其次针对显著图应用在遥感图像中缺少客观评价标准的问题,本文将显著图的量化评价标准引入到遥感图像中。文中仿真对比分析了常用的三种显著图算法,并结合遥感图像以及遥感图像中飞机目标的特性,从主观和客观评价方面对显著图的突显效果进行评价。在综合考虑突显精度和显著区域突显完整程度的情况下,Itti算法对于遥感图像中飞机小目标的突显效果优于GBVS算法和SR算法。通过对显著图与遥感图像模板匹配相结合的算法进行仿真实验,验证了基于显著图算法的目标检测可以舍弃百分之七十以上的背景区域,缩小目标搜索空间是提高目标检测算法效率的一种有效途径。最后,基于随机森林目标检测算法在霍夫投票阶段是平均分配投票权重的,针对平均权重对目标位置预测不够准确的问题,本文将原算法基于随机森林叶子节点信息的平均权重改为基于样本目标特征字典的指数分布投票权重。在训练阶段将样本的目标像素特征向量存储起来作为样本字典,检测阶段对于随机森林预测为样本的像素,计算该像素点特征与字典中特征之间的欧式距离,根据该距离计算对应的指数函数分配权重,并对目标中心进行投票。通过仿真实验分析了改进投票权重前后霍夫图像的特点,并验证这种改进能够提高目标检测算法的性能。