随着航空工业的发展和观测技术的进步,航空遥感图像在军事和生活中的应用愈加广泛,而遥感图像目标检测是其具有重要的研究价值的应用之一,受到国内外学者的广泛关注和研究。传统的目标检测方法针对水平视角成像的图像进行检测,而航空图像由于特殊的鸟瞰成像视角,相较于传统的目标检测图像,具有方向任意、背景复杂、目标实例尺度变化大和分布密集的特点。若对航空遥感图像直接采用传统的目标检测方法,会存在检测结果不匹配,检测精度低的问题。本文使用BBAVectors作为遥感目标检测的基本方法,对BBAVectors在遥感目标检测中存在的问题进行改进和优化,主要工作分为以下两点:（1）针对热图回归中正负样本不均衡的问题,提出了结合置信度的热图回归损失函数,并优化向量损失函数,提高向量生成质量。BBAVectors通过热图回归的方式定位目标中心点,之后在中心点处回归边界框的边界向量,从而完成遥感目标检测。针对BBAVectors损失函数的不足,我们从两个方面进行优化。首先,在热图回归中,为了缓解正负样本不均衡问题并提高热图在正样本处预测关键点的概率,提出了结合置信度的热图回归函数（With Confidence Focal Loss,WCFL）,将分类和回归进行联合,从而缓解热图层中正负样本不均衡的问题并提高模型定位的精确性;其次,在边界向量回归过程中,BBAVectors存在预测的边界向量不垂直的情况,为了解决的这个问题,本文在向量回归函数中引入了向量的垂直条件,促进预测的向量垂直,提升向量的生成质量,从而提高检测精度。经过实验和分析,验证了本文对损失函数改进的有效性。（2）在BBAVectors中引入位置注意力模块和通道注意力模块,提出了基于注意力机制的遥感目标检测模型（Dual-Attention for Object Vectors,DAOV）。遥感图像具有图片背景复杂、目标尺度变化大和目标分布密集等特点。为了能够更加准确的进行遥感目标检测,模型需要获取更加全面更加有效的图像特征信息。为了进一步提高模型的特征提取能力,本文基于BBAVectors方法,引入位置注意力模块和通道注意力模块,提出了基于注意力机制的遥感目标检测模型DAOV。从不同的维度建立全局依赖关系,获取更加全面的上下文信息。经过实验分析,验证了DAOV模型的有效性。为了验证本文对BBAVectors损失函数的改进和提出的基于注意力机制的遥感目标检测模型的有效性,本文使用DOTA数据集和HRSC2016数据集进行训练和验证,与BBAVectors的检测精度进行对比,从而验证改进的有效性。经过实验分析,本文提出的方法均是有效的。