遥感图像中的大型交通目标检测应用广泛,但由于遥感图像中小目标的复杂性与多角度性,遥感图像小目标检测效果普遍不佳,存在技术难度。面向遥感图像复杂环境下的多目标检测,为提升多尺度、密集目标遥感大型交通目标检测精度,提出一种基于SSD（Single Shot Multi BoX Detector）算法融合多层分离卷积模块的目标检测算法。采用SSD网络对多种大型交通目标进行检测,针对SSD网络对小目标检测精度低缺点,将SSD算法的主干网络替换为HS-ResNet50（Hierarchical-Split Block on Convolutional Neural Network）进行细节特征提取,并结合多层分离模块进一步优化主干特征提取网络,加强复杂背景密集目标特征提取能力。针对SSD网络损失函数优化缺陷问题,利用GIoU（Generalized Intersection over Union）进行最终预测框的定位。本课题主要研究内容有:（1）为改善原始SSD算法的锚框与本文选取研究数据集并不匹配的问题采用K-means聚类算法在本文预选数据集上生成新的锚框。对原有的边框损失函数进行优化,使用广义交并比GIoU替代原有的IoU（Intersection over Union）,实现对锚框与边界框的重合度的准确反映,增强目标检测结果精度的提升。（2）公开的遥感图像数据集包含目标多样性较高,且并非全部都是大型交通工具,因此需要对公开的遥感图像数据集进行预处理,最终得到本文算法实验中运用的数据集。有效的提高了实验准确性及算法模型的稳定性。（3）原始SSD算法对检测小目标容易出现漏检、误检问题,原始SSD算法中主干网络为VGG16（Visual Geometry Group Network）,通过反复迭代的算法进行卷积,虽然速度足够高,但易出现梯度爆炸与梯度消失的问题。本文通过研究HS-Resnet及Resnet50残差网络,构建主干网络HS-Resnet50以替换原本SDD算法中的主干网络VGG16,在保证速度的前提下提高整体算法的检测精度。通过进行实验对比分析,本文改进算法在UCAS-AOD和RSOD公开遥感数据集上进行实验,最终结果验证相较于原始SSD算法,本文所提算法在IoU阈值为0.75与0.5时,mAP（mean Average Precision）值提升了 9.84%与7.32%,达到优化网络的小目标检测效果。实验结果说明本文提出的基于SSD目标检测算法进行主干网络优化及锚框选取优化结果后的改进算法能够完成遥感图像多目标检测任务,具有较好的精度及速度。