近年来,随着图像处理能力的发展,遥感目标检测技术广泛应用于军事侦察、导弹预警、城市规划等军事及民用领域。国内外学者对遥感目标检测进行了大量研究工作,其中最流行的是基于深度卷积神经网络的遥感目标检测算法。然而,随着遥感图像数据的大规模增加,遥感目标逐渐表现出多种类、多角度、多尺度的特点,但现有的遥感目标检测网络大多针对特定目标进行检测,通用性不强,特征提取能力弱,无法对多种类多角度目标进行精确检测,且对小尺度目标检测困难。因此,针对遥感图像多目标检测技术的研究有着重要的现实意义和广泛的应用前景。在现有的深度卷积神经网络中,由于区域候选网络(Region Proposal Network,RPN)能够产生目标候选框从而减少网络参数计算量,因此在遥感目标检测中被广泛应用。然而目前现有的区域候选网络通常产生水平方向的候选框,在提取多角度目标特征时会造成漏检从而降低检测精度。同时,由于感受野可通过区域大小控制卷积层中特征提取的范围,因此在多尺度目标检测中通常使用不同大小的感受野进行特征提取,但这些感受野往往作用在所有尺寸的目标中,计算量巨大且不具有针对性。本文针对以上两个问题进行研究,具体研究内容如下:(1)针对遥感图像中多角度目标漏检率较高的问题,研究了多角度目标候选框的生成架构,提出了基于旋转指导的目标区域候选网络(Rotation-guided Object Proposal Network,ROPN)。通过预测目标的中心点以及角度和尺寸信息生成贴合目标形状的锚框,减少了大量冗余锚框的生成,并加入特征图修正模块使卷积层特征图适应锚框形状,从而映射产生更加精确的目标候选区域。同时,本算法还引入了多角度的池化层,能够对不同尺度的多角度候选区域进行特征提取,进一步提高多角度目标的检测精度。(2)针对遥感图像多尺度目标中小目标检测困难的问题,研究了感受野区域对不同尺度目标检测精度的影响,提出了基于并行感受野分支结构的多尺度目标检测算法。结构首先设置并行的小卷积层增加网络宽度,在每个卷积核大于1的卷积层后加入三个具有不同膨胀率的并行空洞卷积产生大中小三种尺寸的感受野区域,并通过对所有目标设置面积阈值将其划分到相应尺寸的感受野区域中进行特征提取。感受野分支之间采用权值共享策略,在提高目标特征提取精度的同时减少参数计算量,进一步提高网络运行效率。同时,原网络层输出特征通过特征融合辅助并行感受野分支结构的输出特征,进一步提高多尺度特征的提取精度。本文根据对多角度与多尺度遥感目标检测的研究,将ROPN区域候选网络与并行感受野分支结构相结合,提出了适用于多类别、多角度、多尺度的遥感目标检测算法。首先对算法进行了综合实验与分析,将本文算法与当前先进的遥感目标检测算法进行对比实验,通过多组实验验证算法各个结构的有效性,并通过不同数据集测试算法的泛化能力,验证了遥感图像多目标检测算法的有效性与鲁棒性。最后,根据本文对遥感图像多目标检测的研究成果,设计构建了基于Web平台的遥感图像多目标检测软件,实现了多种类、多角度、多尺度遥感目标的高效检测。