近年来遥感技术飞速发展,如何高效、准确地利用遥感数据进行目标检测是当前遥感技术的研究热点。遥感图像目标检测指在遥感图像中识别出目标物的类别并对其定位,可以为后续的遥感信息处理及应用提供基础,是当前遥感处理的重要环节。遥感图像中背景复杂,环境多变,传统目标检测方式性能不佳,近年来,深度神经网络的快速发展给遥感图像目标检测提供了新的思路。基于深度神经网络的目标检测算法能够通过大量有监督训练样本提取到图像深层本质特征,具有强大的泛化能力及优秀的检测效果。对于遥感图像领域而言,可用的训练样本稀少。当前基于深度神经网络的主流目标检测算法中,一类依赖大量目标级训练样本,难以在遥感图像上直接应用;另一类依赖大量图像级训练样本,存在候选区域先验信息不足、检测框难以自适应的问题。本文以遥感图像中飞机目标检测为例,研究如何使用较少的样本更好地完成遥感图像目标检测,主要包括如下几部分:(1)针对遥感图像飞机目标检测中样本缺乏的问题,提出一种基于深度神经网络的检测模型DC-DNN(Density clustering with deep neural network,DC-DNN),,仅依靠少量图像级样本即可完成飞机目标检测及分割任务。首先,利用图像底层特征制作像素级标签完成全卷积神经网络(FCN)模型训练,将FCN模型与DBSCAN密度聚类算法相结合选取飞机目标的自适应候选区域;然后,基于VGG-16网络提取候选区域高层特征进行分类以获取飞机目标检测框;最后,同时通过检测框抑制算法剔除重叠框和误检框,得到最终的飞机目标检测结果。实验结果表明,DC-DNN模型在准确率、召回率、F1分值三个评价指标上分别达到了95.78%、98.98%、0.9735,具有优异的检测性能。(2)针对DC-DNN模型中重复特征提取、检测效率不高的问题,将Ro IPooling层引入DC-DNN模型中提出的RDC-DNN(Ro IPooling fusion with DC-DNN,RDC-DNN)模型。首先,引入Ro IPooling层将DC-DNN模型中FCN与CNN进行特征提取网络的合并,统一特征向量、降低分类难度、提升检测效率;然后,剔除DC-DNN模型中候选区域偏移扩展及检测框抑制操作,提升检测效率。实验结果表明,RDC-DNN模型检测速度较原模型提升了25.98%,大幅提升了检测效率,验证了模型的有效性。