随着我国高分卫星星座和众多遥测平台系统的完善和进步,高分辨率遥感图像的可获得性逐渐提升,并朝着大数据和多样化的方向发展,给高分辨率遥感图像解译提出了更高的技术要求。其中,目标检测作为高分遥感图像解译任务中的重要内容,在智能交通、军事国防、抢险救灾和城市规划管理等众多应用中表现出重要的研究价值。然而,随着高分数据多样化程度和应用需求的提升,高分遥感图像目标检测模型在面临复杂地物背景、多样化目标类型、跨尺度目标特性和不同的标注形式等实际情况时,依旧表现出有效性和鲁棒性上的局限。因此,面向上述现实条件,本文从典型目标检测模型Retina Net的基本原理出发,深入研究多类别、多尺度目标特征自适应表达方法、背景和目标信息有效解耦策略、正负样本标签分配及不同标注形式下损失函数设计思路等内容,分别从通用目标检测和有向目标检测两个方面展开研究。论文主要包括以下内容:论文首先阐述现有经典通用目标检测模型Retina Net的基本原理及相关概念,然后细致地剖析了其在有向目标检测任务中的相关改进措施。在全面分析本文所用实验数据集的相关特性后,充分验证Retina Net及其有向改进模型的适应性和有效性,为后文设计新的目标检测方法奠定理论和实验基础。在通用目标检测任务中,论文针对Retina Net应用于高分辨率遥感图像通用目标检测时在多类别、多尺度特征自适应表达能力和语义信息解耦能力上的问题,提出了联合动态特征提取网络和语义引导滤波机制的通用目标检测方法,通过自适应调整网络的感受野并提升不同尺度层级间特征的信息交互,改善了Retina Net在高分辨率遥感图像通用目标检测数据集上的检测性能。在有向目标检测方面,论文针对Retina Net的有向改进模型在高分辨率遥感图像中可能存在标签分配策略及有向回归损失适应性不足的两方面问题,在其基础上提出了联合目标空间-尺度约束标签分配策略和Wasserstein距离度量回归损失的有向目标检测方法,通过提升训练样本质量并缓解传统损失的适应性问题,实现了Retina Net扩展至有向目标检测任务的同时有效提升了其在高分辨率遥感图像有向目标检测数据集上的性能。