在遥感图像解译中,对图像中的目标进行智能且精准的检测具有较大的应用价值。近年来,深度学习技术,尤其是其中的卷积神经网络凭借其强大的特征学习能力,在计算机视觉等领域得到了广泛应用。因此,将卷积神经网络应用于遥感图像目标检测任务是当前的研究热点之一,并取得了一定的成果。但是基于卷积神经网络的遥感图像目标检测仍然面临着诸多挑战,比如图像中目标形状的多样性、背景的复杂性以及目标姿态的不确定性等。此外,卷积神经网络方法的检测效率也是应用中需要关注的问题。针对遥感图像目标检测任务,本文分别从提高特征的有效性、预测框的准确性和检测方法效率等角度,对基于卷积神经网络的遥感图像目标检测方法进行了深入研究。本文的主要研究工作和创新点如下:1、针对卷积神经网络检测方法中对遥感图像上下文信息利用较少的问题,分别提出了融合多目标信息和场景信息的目标检测方法。通过在特征级将这些信息与网络所提取的原始区域特征进行融合,获得上下文信息更丰富的特征。融合多目标信息的方法通过构建不同区域间的图模型来对相关区域的特征进行加权,并将加权后的特征与原始区域特征进行拼接融合,以增强待检测特征中的多目标信息。通过将池化后的场景特征与原始区域特征进行拼接融合,以增强待检测特征中的场景信息,并通过级联结构提高检测的准确性。两种方法均采用Det Net作为骨干网络来避免特征的过度池化。在NWPU VHR-10数据集上的实验结果证明了两种上下文信息融合方法均有效地提升了检测精度。2、针对遥感图像中目标形状多样且分布不均匀的特点,提出了联合全局上下文和引导式锚框生成的目标检测方法,以增强对场景中背景以及不同形状和分布目标的适应能力。该方法首先利用全局上下文模块来获得特征图不同位置对应的权值图,以增强特征中的目标区域并抑制背景区域,减小复杂背景对检测的影响。然后,将权值图作为锚框位置的概率预测图,利用引导式锚框生成方法预测锚框的形状,结合预测的位置生成与目标形状和分布相适配的自适应锚框。最后,采用调制特征适配模块来改善特征图与生成锚框之间的不匹配问题。在DIOR数据集上的实验结果表明,该方法可以生成自适应的目标锚框,提升了检测精度。3、针对卷积神经网络方法的检测效率问题,提出了两种联合注意力机制的无锚框检测方法。本文分别通过关键点检测和集合预测的方式避免锚框的预设和多次回归,提高检测效率。（1）提出了一种基于关键点检测的Center Net方法。该方法避免了对于锚框的依赖,同时单次预测即可得到结果避免了多次回归以及区域特征的提取。首先利用注意力机制增强目标区域的特征图,随后设计了针对Center Net的高斯核半径生成方法对网络训练的关键点标签进行改进。最后,通过预测目标框的中心点、框的宽高来确定目标框。（2）提出了一种基于集合预测的DETR方法。DETR方法将目标检测视为集合预测问题,不需要包括锚框在内的用于回归的基准信息。首先利用Transformer结构中的注意力机制来不断增强目标区域之间的相关性,随后利用全连接网络直接回归获得目标框。所提方法还采用CIo U作为匹配指标以提高网络的收敛速度。在DIOR数据集上的实验证明,所提方法取得了与基于候选区域方法相似甚至更好的成绩,同时检测速度也较快。4、针对遥感图像中的具有一定角度的旋转目标,提出了基于Retina Net的旋转目标检测方法,实现了对旋转目标的检测和标注。该方法首先通过在Retina Net中增加目标旋转角度预测变量的方式,实现对目标框的角度预测。随后利用引入了特征精炼模块的级联结构,对旋转框进行多次回归并解决了预测用特征与旋转框之间的不匹配问题。最后,采用结合人工设计和神经结构搜索方法获得的Reg Net X作为骨干网络,提高网络中特征提取的效率和有效性。在采用旋转框作为标注方式的DOTA数据集上的结果表明,带有特征精炼模块的级联结构可以有效地提升Retina Net的表现,同时基于Reg Net X的方法也在相似浮点运算数和参数数量的情况下,优于基于Res Net的方法。