随着航空航天与遥感技术的快速发展,基于遥感影像的目标检测已成为遥感领域与计算机视觉领域的研究热点之一。卫星遥感数据车辆检测作为智能交通系统的核心技术,对于城市智能交通管理和规划具有重要意义。遥感影像具有探测范围广阔的优势,适合进行大范围的城市交通监测,可弥补传统传感器获取道路车辆信息能力的不足。但由于遥感影像车辆目标在整张影像中所占的比例过小,缺乏足够的细节特征信息,检测难度较大,通常导致遥感影像中较多的小车辆目标漏检。为了解决以上问题,本文所做的主要工作如下:（1）联合多尺度特征检测与注意力机制,提出了一种改进的YOLOv5车辆目标检测模型。针对遥感影像中小目标难以检测与背景复杂的问题,通过增加用于微小目标的高分辨率检测头,提升模型的车辆小目标检测效果;另外在YOLOv5网络颈部引入注意力机制模块,增强模型的抗干扰能力。改进的YOLOv5模型由原来的三尺度检测扩展为四尺度检测,融合了网络浅层的高分辨率特征图信息,网络的多层级特征提取能力更强,且网络中融合注意力模块,有助于网络聚焦于关键特征,进一步提升小目标检测能力。通过在公开的DIOR数据集上进行测试,本章节提出的方法检测精度相比于原网络提升了3.9%。（2）结合超分辨率重建模块对遥感影像车辆检测算法进行改进。针对遥感影像中车辆目标分辨率低、特征信息较少的问题,本文引入超分辨率重建模型,增强遥感影像中车辆目标的细节纹理特征,提升影像空间分辨率;其次,将超分重建后的影像输入目标检测网络进行检测,从而提高车辆目标检测精度。通过在公开的DIOR数据集上进行测试,本文所提出的方法相对于原始YOLOv5网络精度值提升了6.3%,有效提升了遥感影像车辆检测的性能。（3）设计并实现了结合超分辨率重建的遥感影像车辆智能检测系统。基于本文提出的遥感影像车辆检测方法,构建了遥感影像车辆智能检测系统,对其功能模块设计进行了详细描述,并将系统主要功能进行展示。