随着遥感技术的发展和遥感平台的增加,出现了海量遥感图像数据,这些数据中包含着大量高价值信息。遥感图像目标检测是对遥感图像信息进行加工和利用的有效手段之一,在众多遥感应用领域中都发挥着巨大的作用,也是遥感图像处理领域的一个研究热点。随着学术界对深度学习研究的深入,卷积神经网络成为计算机视觉领域一个重要的工具。相比于依托于手工特征设计的传统目标检测算法,基于卷积神经网络的方法具有更强的特征提取能力和泛化能力,这些方法也在普通自然图像目标检测任务中展现出了优越的性能。然而,遥感图像和普通自然图像存在许多差异,对遥感图像进行快速准确的目标检测依然面临着许多挑战。其中,遥感图像多尺度目标检测长期以来一直是遥感图像处理领域的一个难题。本文在现有方法和理论的基础上,围绕遥感图像多尺度目标检测问题展开研究,从卷积神经网络多尺度特征提取和多尺度目标检测算法中的锚点(Anchor)机制两个方向进行探索,实现了良好的遥感图像多尺度目标检测效果。本文的主要研究工作如下:(1)本文从卷积神经网络特征提取过程展开研究,针对卷积神经网络的层次性原理,设计了一种能实现多尺度特征的融合并提取的主干神经网络MF-DenseNet。该网络结合密集连接网络和特征金字塔网络结构特点,兼具了强特征提取能力、高鲁棒性和相对较小的参数量。随后本文提出了一种基于MF-DenseNet的端到端的目标检测算法。实验中该算法展现出了比对比算法更高的检测精度,同时在实验平台上达到了实时性检测的速度。在上述方法的基础上,我们还设计了一种改进的空间金字塔池化结构来强化网络对于同一层次多尺度局部特征的融合与提取能力,能够通过付出少量的额外计算代价来进一步提升算法检测精度;同时我们设计了一种通过改进网络结构来加强对低层特征的利用的方法,提高了算法在小尺度目标上的检测性能。(2)对基于卷积神经网络的多尺度目标检测方法中的锚点机制展开研究,提出了通过改进锚点框生成方法和分配策略来提升算法检测性能的思路。随后设计了两种先验锚点框生成方法,其中改进的维度聚类方法在先验锚点框生成上拥有良好的效果;同时分析了锚点框数量对算法检测性能的影响。最后在上述工作的基础上提出了一种锚点框动态分配策略,和传统分配策略相比,该策略可以改善检测层上锚点框尺度和待检测目标尺度不匹配、不能有效利用锚点框中的先验知识的问题。实验结果表明,锚点框动态分配策略可以有效提高算法检测精度,且在不同算法上具有一定的通用性。此外,该策略对算法检测速度影响极小,可以应用于对实时性要求较为严苛的场景中。