目标检测是从图像中对目标定位以及分类,是图像处理的一个重要分支。随着遥感卫星等各种观地设备的快速更新与发展,遥感图像数据数量呈现爆炸式的增长。遥感图像目标检测能够有效地解译遥感图像,其应用价值体现日常生活中的诸多方面:如国家边防监控、自然资源的勘测、智慧城市规划等。但是遥感图像因其小目标密集排列较多及有标签样本较少的情况,所以在遥感图像上进行目标检测有一定的难度。另外,由于在遥感图像上直接使用现有的目标检测模型进行检测,检测性能和检测结果不理想。考虑上述研究现状,文中基于卷积神经网络的理论基础,针对现有目标检测模型在遥感图像数据集中存在的困难进行分析,着重关注以下问题:首先,针对现有卷积网络对遥感图像小目标检测性能不好的问题,如何提高复杂背景下多尺度目标检测尤其对小目标检测能力;其次,针对有标记遥感图像样本较少的情况下,模型对特征分布有差异的遥感图像的目标检测性能不好的问题,在有限标签样本的基础上,如何将目标检测模型和域适应相结合,使目标检测模型在光照、可见度等图像特征分布差异较大的遥感图像均有较高的检测性能,使模型具有更好的推广能力等。具体研究如下:（1）针对复杂场景遥感图像中密集的、尺度姿态不一的目标,以及训练样本有限的情况,提出了一种基于融合特征的深度学习遥感图像目标检测模型。首先,模型采用在深度卷积神经网络对图像进行特征提取,之后在卷积层后加入反卷积层实现特征的上采样扩大特征图尺度。将不同层的特征图进行像素相加融合,有效利用各层级的特征,提高目标检测的精度。将融合后的特征图送到区域建议网络中生成锚框,在回归层预测锚框对应建议区域的坐标;在分类层计算建议区域属于前景和背景的概率,实现对每个建议区域的分类。其次,提出分组融合剔除检测框算法对检测框进行后处理,去除冗余检测框的同时微调检测框,使检测框对目标框定更精准,进一步提升检测精度。在UCAS-AOD和RSOD-DATA两个遥感数据集上对飞机和汽车目标进行检测,实验结果表明,模型在提高检测精度的同时降低了漏检率和误检率。（2）针对训练数据和测试数据特征分布差异较大时,模型的检测性能下降明显的问题,提出了一种基于跳跃特征金字塔的域适应遥感图像目标检测模型。首先,本文在目标检测模型中引入了域适应网络分支,通过对抗的方式,使特征提取网络更好地提取到不同遥感图像之间具有差异的特征,从而减少因遥感图像采集过程中光照、角度等不同造成训练集（源域）图像和测试集（目标域）图像在图像级别的不同对目标检测造成的影响,从而提升了模型的鲁棒性;其次,为了提高模型对不同尺度的目标的检测精度,提出了一种跳跃特征金字塔结构对特征图进行融合,通过使用双线性插值对卷积生成的特征图逐级进行上采样,与下层卷积产生的特征图进行逐像素相加融合,同时添加了一条跳跃连接信息流将相隔层级间的特征图直接融合,减少了上采样过程中高层特征图中丰富的语义信息丢失的情况,充分利用细节信息和语义信息。提取候选区域时,使用RPN在多个不同的特征图上进行候选区域的提取,使候选区域提取更加具有针对性从而使目标检测性能更佳。本文模型在NWPU-VNR10和RSOD-DATA数据集中与其他对比的检测模型的检测结果相比检测精度均达到最优,漏检、误检情况也最少。