遥感图像目标检测即在给定遥感图像中确定待检测目标的类别和位置。传统基于机器学习的目标检测算法通常需要人工设计特征,但又不存在通用的特征设计方法,因此该类方法在遥感图像目标检测的应用中不具有普适性。随着深度学习的不断发展,使用深度卷积神经网络学习到的特征表达能力更强、泛化能力更好。Faster R-CNN算法作为目前使用最多、应用最广的一个深度学习模型,其对自然场景中获取的图像进行目标检测,准确率较高。因此,选取Faster R-CNN算法来进行遥感图像的目标检测。然而,由于遥感图像背景复杂且待检测目标小,直接采用Faster R-CNN算法进行遥感图像目标检测时准确率不高。针对该问题,提出了一种改进的Faster R-CNN算法,主要创新工作包括以下三个方面。(1)训练集的规模和多样性直接影响网络模型的训练效果,训练样本数目越多并且多样性越好,训练的网络模型性能越好。本文通过去雾操作、水平翻转操作以及90度、180度、270度的逆时针旋转操作进行了数据扩充处理,并使用扩充后的训练集进行模型训练。通过实验验证了训练数据集的扩充和样本的多样化,使得网络可以充分学习到遥感图像的特征,从而训练出一个更好的Faster R-CNN目标检测模型。(2)由于遥感图像背景复杂且待检测目标小,使得Faster R-CNN算法中的特征提取网络无法充分提取到图像中小目标的特征;同时,也使得Faster R-CNN算法中的候选区域生成网络提取到大量的背景作为候选区域,使得背景样本多,前景样本少,Faster R-CNN算法无法充分学习到前景的信息,从而影响检测性能。因此,针对前者,提出了特征金字塔平衡策略,充分利用不同层次的特征,并实现不同层特征之间的平衡,从而充分提取小目标特征。针对后者,提出了类别平衡策略,通过降低大量背景样本对网络模型的影响,挖掘困难样本,从而引导模型更好地收敛。利用这两个策略对Faster R-CNN算法进行改进,在自制的遥感图像数据集上进行了实验对比,实验结果表明改进的Faster R-CNN算法具有良好的性能,相较于改进前的Faster R-CNN算法,准确率提高了7%左右,并且在NWPU VHR-10和RSOD-Dataset两个遥感图像数据集上进行了测试,测试结果表明改进后的模型具有较强的泛化能力。(3)设计并实现了一个基于Faster R-CNN的遥感图像目标检测系统。该系统用于实现待测图像的选择、检测以及结果与性能评价的展示。使用该系统能够自动对遥感图像进行目标检测,并且能够快速且准确地检测出待测目标并将结果予以展示。