随着遥感技术的飞速发展,各类遥感平台所获取的遥感影像数量日益增长,为遥感影像应用提供了充足的数据支撑,使得遥感影像的应用价值显得愈发重要。遥感影像目标检测作为影像解译的基础,是地理空间情报获取和战场环境保障的重要手段,其中油罐目标作为能源存储装置,外观独特,其目标检测在军用和民用领域都有着重要价值。近年来,深层卷积神经网络由于其优秀的特征提取能力,在自然场景图像目标检测方面的应用越来越广泛,推动了目标检测技术向高精度、自动化的方向发展。但由于遥感影像与自然场景图像的成像方式不同,直接将各种深度学习方法运用到遥感影像中,会存在小目标易丢漏、多尺度目标难检测、密集目标定位不精确等问题。因此,本文以遥感影像油罐目标检测为例,对深度学习在遥感影像目标检测的应用展开研究,完成的主要工作和创新点如下:1.归纳总结了传统遥感影像目标检测技术的研究现状以及深度学习在目标检测领域的研究进展,分析了深度学习应用于遥感影像目标检测的现状和面临的困难。2.为探究不同深度学习算法对遥感影像油罐目标的检测能力,以及不同尺寸油罐目标检测效果的差异,选取FRCNN、RFCN、SSD、YOLOv3和RetinaNet五种经典的基于深度学习的目标检测算法,利用已有的公开数据,对各算法的检测性能进行了对比分析和实验验证。结果表明,上述方法中鲁棒性和平均精度最好的是RFCN和RetinaNet,速度最快的是YOLOv3;影像中目标的尺寸是影响各算法精度的主要因素,各算法对小油罐目标的检测效果普遍较差。3.分析了遥感影像油罐目标的特点,以及深度学习用于油罐检测所面临的问题和困难,并提出了相应解决问题的建议。分析和测试了待检测影像缩放后对各网络油罐检测的影响效果,探究了油罐目标尺寸对于检测结果影响的规律。实验结果表明,各网络架构都有所谓的最佳检测尺寸窗口,通过对检测影像适当的缩放可以使待检测目标尺寸落入最佳窗口,从而提高油罐目标检测的精度。4.针对遥感影像油罐目标检测中存在的问题,特别是多尺度目标难检测、小目标易丟漏的问题,提出了一种多尺度并联神经网络油罐目标检测算法。该算法根据不同网络架构在检测不同尺度油罐目标上的适配性,设计了并联的多个网络分别负责检测不同尺度的油罐目标。待检测影像先经过适当缩放分别由各尺度的网络进行检测,再利用由容易混淆的正负样本组成的训练集训练分类网络进行后处理,最后对所有检测结果进行非极大值抑制。实验结果表明,该方法能够有效提高油罐目标的检测精度和召回率,降低漏检,同时多尺度、小目标检测能力相较于单一神经网络大幅提升,对于密集排列、背景复杂的油罐目标的检测能力也有一定的提升,在不同数据集的泛化能力也明显优于单一神经网络。