随着人工智能和计算机视觉的飞速发展,基于深度学习的目标识别是遥感图像处理中的一个热门研究领域。随着卫星技术的发展,遥感卫星图像的分辨率越来越高。传统遥感目标识别方法基于人为设计的特征,识别的精度不高,很难满足高分遥感图像下对各类目标识别的需求。深度学习在目标检测领域已经取得了相当不错的成绩,在遥感目标检测这一领域也有着非常大的潜力。本文重点研究了深度学习的遥感目标检测算法。首先,针对遥感目标多方向,难以提取高质量特征的问题,本文以可形变卷积网络为基础,利用可形变卷积操作和可形变池化操作,对姿态、尺度大小不一的遥感目标进行特征提取,可以得到更高质量的特征,然后在多层特征图对候选区域进行预测,提高了小目标网络的检测性能,提高了检测精度。但是在处理速度方面不尽如人意。于是我们采用了基于YOLOv3和Darknet-53的网络结构来进行遥感目标检测,在准确率几乎没有下降,某些类别甚至还有提升的情况下,处理速度也得到了有效提升。更进一步,本文采用更加轻量化的Tiny Darknet取代Darknet53,在牺牲了一部分精度的情况下,检测速度得到了很大的提升。遥感图像中的部分目标往往呈现出密集分布的特点,目标检测领域中十分常用的非极大抑制操作会舍去重叠区域过大的检测框,但是这在遥感目标检测中很容易造成漏检,因此本文提出了基于方向适应的YOLOv3网络,在YOLOv3中引入旋转区域检测的方法,通过更贴合目标的旋转矩形框,减少了密集分布下目标检测框的重叠率,从而大大减少了漏检率。本文的研究面向遥感目标检测领域的实际需求,考虑到遥感目标检测的特殊性对主流的方法进行改良,在检测率和速度方面都有所提升。