目标检测,作为计算机视觉领域的一个重要研究分支,旨在用边界框表示目标的位置,并给出目标相应的类别。现阶段,基于水平边界框表示的目标检测器在自然场景中的轴对齐图像上取得了优异的检测性能。但是对于遥感图像中存在的目标任意方向、密集排列、背景杂乱、尺寸小、长宽比高等现象,使用水平边界框表示目标会出现包含过多背景信息以及前景背景信息混淆的现象。这两种现象皆会降低检测器的精度。由此可见,如何设置合适的表示形式对于遥感目标检测是十分重要的。鉴于此,本文基于计算机视觉相关知识以及深度学习技术,围绕目标的紧致框表示展开研究,主要工作包含以下两个方面:第一,提出了基于多边形紧致框表示的遥感目标检测方法。近年来,目标检测领域和实例分割领域涌现出了大批优秀的算法。但是,却鲜有文章深入分析两者之间的关联。目标检测属于目标级别的任务,使用包围框表示目标,表示方式简单、易标注、计算量较小,但只能粗略的估计目标的位置信息;而实例分割属于像素级别的任务,使用掩膜表示目标,表示方式复杂、标记困难、计算量较大,但是能够精确的刻画目标的细节信息。鉴于此,综合目标检测和实例分割两项技术的特点,本工作中提出了基于多边形紧致框表示的遥感目标检测方法,使用掩膜信息生成目标的真实标注,充分利用了目标的细节信息。此外提出了一种紧致的目标表示通用方法,通过滑动水平边界框对应边上的顶点,得到目标的任意多边形表示,该方法同时适用于有掩膜标注信息以及无掩膜标注信息的数据集。为了进一步解决目标表示的边缘问题引入了偏移量因子,指导网络为目标选择合适的表示形式。在引入的计算量可忽略的前提下,以更加紧致的方式表示目标。在自然图像数据集MS COCO2017以及遥感图像数据集DOTA和HRSC2016上的各种实验均表现出较好的检测性能,验证了所提方法的有效性。第二,提出了基于单锚框特征对齐与环形平滑标签的遥感目标检测方法。现阶段,基于角度回归的两阶段任意方向目标检测器通常都存在边界问题,即由于角度预测超出定义范围而导致损失突增的问题。此外,基于锚框的单阶段方法中,带有方向的锚框的引入增加了计算量的同时,存在锚框和轴对齐特征之间的不对齐问题。综合考虑以上问题,本工作中提出了基于单锚框特征对齐与环形平滑标签的目标检测。一方面,将角度的预测由回归任务转化为分类任务,由于角度的唯一性以及有限性,从而解决角度预测的边界问题;另一方面,针对基于锚框的单阶段旋转目标检测器存在的特征不对齐问题,提出了单锚框特征对齐模块,在特征图的每一个位置只产生一个合适的锚框,并使得特征图自适应地对齐锚框,从而能够提取目标更具有判别性的特征。所提出的方法在遥感图像数据集DOTA和HRSC2016上均表现出了优异的性能。