遥感图像中车辆、船只等小尺度面目标的实时准确检测对重点区域监视、军事动态判别、交通管理与规划等军民应用具有重要意义。受成像分辨率、成像质量因素影响,车辆、船只等目标呈现几何尺度小、对比度低等特性,同时由于复杂场景中存在大量与目标形状纹理特性相似的虚警源,导致现有方法难以满足低虚警率、高检测率小尺度目标检测的应用需求。此外,现有检测方法罕有考虑不同探测器参数、成像环境下的异源图像处理策略,这进一步限制了检测算法的鲁棒性和泛化性。同时,遥感图像的大幅宽特性也对目标检测算法的轻量化设计提出了新的需求。本文即是针对上述问题,开展高精度、高鲁棒、轻量化的小尺度面目标检测方法研究,并开展实验验证。主要研究工作如下:（1）遥感图像小尺度面目标检测方法。首先针对复杂场景中的虚警源干扰,设计了自适应融合权重的多层次特征提取架构,实现对不同层级中语义和结构信息的有效融合,然后结合目标尺寸小、对比度低以及密集排布的特性,提出基于位置注意力机制的特征图增强方法,并通过仅利用高分辨率层级进行预测的策略,提升对小尺度密集目标的检测能力。最后基于小尺度车辆和船只数据集,从检测精度、模型复杂度、处理时间方面验证了检测方法的整体性能。（2）针对以往检测模型对探测器和成像条件变化的图像泛化性较差的问题,研究云雾干扰和低动态范围的典型异源场景下自适应参数提取方法,并采用暗通道先验去雾、分段线性映射、反锐化掩膜等策略实现对遥感图像的增强,降低图像特性差异对检测网络性能的影响,在此基础上,利用检测损失函数对整体网络进行监督,实现自适应参数增强和目标检测的协同优化。（3）基于模型轻量化的宽幅遥感图像目标检测方法。针对大幅宽遥感图像中全局小尺度目标检测速度慢的问题,首先提出基于Ghost结构和深度可分离卷积的重构网络,降低目标特征提取的计算量,然后通过基于自适应批归一化的模型剪枝方法,实现对轻量化网络的快速筛选,剔除冗余的低贡献特征层,在此基础上,结合宽幅遥感图像中交叠滑窗预处理和对重叠框的非极大值抑制策略,实现重构网络对整幅图像中小尺度目标的快速检出。