耕地范围建筑物检测对违建建筑监测、变化检测等具有重要应用价值,耕地管理部门通常采用影像目视人工勾画和实地调查结合的方式获取建筑物斑块信息,需要耗费大量的人力物力资源。本文基于山东省菏泽市地区的高分2号影像数据构建了耕地范围建筑物检测数据集,并进行了多尺度扩增、水平垂直翻转、图像混合等数据增广操作。本文首先针对耕地范围建筑物检测数据集中小目标偏多和部分建筑形状不规则的特点,基于注意力机制、Carafe上采样算子和可形变卷积构建了多尺度特征融合模块,提升了对小建筑和不规则建筑的检测能力;针对部分大棚与建筑纹理相似、形状相近但密集分布的特点,本文提出了顾及上下文特征的ROI Align模块,提取候选框上下文区域的特征并添加到候选框区域特征上,再参与后续的边框回归和分类,降低了对大棚的误检。针对遥感影像数据集中训练集和验证集之间存在跨域的难点,本文提出了基于图像混合的半监督训练机制。基于本文提出的改进多尺度特征融合模块、顾及上下文特征的ROI Align模块和基于图像混合的半监督训练机制,构建了适用于耕地范围建筑物检测的改进Faster RCNN目标检测网络。在文本提出的改进Faster RCNN目标检测网络的基础上,针对耕地监管工作中对建筑物检测结果召回率要求高的特点,本文提出了基于软化加权NMS的后处理机制,对于邻近的高分检测框进行保留,并对于IoU高于阈值的候选框集合进行加权,得到更优质的检测框,同时对于离散分布的检测框进行保留,相对于传统NMS和Soft-NMS提升了整体网络的召回率。在本文构建的耕地范围建筑物检测数据集上进行实验,本文所提出的改进Faster RCNN网络和软化加权NMS后处理机制相对于Faster RCNN在mAP50和AR@20指标上均取得了一定提升,验证了本文所提出算法的有效性。