近年来,深度学习理论发展迅速,在遥感图像分类、分割、检测等任务中得到了成功地实践。相比于传统遥感图像目标检测算法,深度学习方法提取的特征更具完备性,检测精度更高,然而针对具有大尺度变化的目标,其目标检测的效果较差。在遥感图像中,具有大尺度变化的目标相对数据集中其它目标数量较少,符合典型的长尾分布,这是导致大尺度变化目标检测效果不理想的原因。图像数据扩增技术为缓解深度学习的数据过拟合和提升模型的泛化能力提供了有力的手段。现有针对目标检测的图像数据扩增方法可分为非框级和框级两类,非框级主要针对数据的像素（亮度,对比度,噪声等）做变换,而框级主要针对图像整体作翻转、裁剪、多尺度变换等。这些扩增方法没有考虑到图像内目标的相对尺度变化,且新生成的图像相对原图没有较大的内容变化。本论文围绕遥感图像目标检测深度学习方法针对大尺度变化目标检测中存在的问题,从数据扩增的角度进行了重点问题的研究。本论文在卷积神经网络的数据源端和特征提取端,分别设计了两种数据扩增方法,对目标进行显式和隐式扩增,在多个数据集上的实验验证了所提出扩增方法的有效性。论文主要贡献总结如下:1.提出了一种过采样目标的图像端数据扩增方法,实现了遥感图像中大尺度变化目标检测性能的提升。首先通过初始预测器筛选出数据集中的难例目标以构建难例目标库,然后通过Alias method采样方式指导目标库中的目标做服从原始数据集尺度分布的极大极小变换,将目标以copy-paste的方式合成新图像实现数据集的扩增。所提出方法以Faster R-CNN模型为例在自建数据集Plane-22、AIR-SARShip船舶检测数据集以及CAESAR-Ship数据集上进行了测试,结果表明该方法是有效的,目标平均检测精度AP分别从52.8%提升到56.9%、从27.5%提升到29.3%、从64.2%提升到65.1%。2.提出了一种基于线性内插的特征端数据扩增方法,实现了遥感图像中大尺度变化目标检测性能的提升。输入图像首先经backbone网络进行特征提取获得特征空间,然后根据正样本位置真值匹配特征图中对应的特征区域并展开为特征向量,接着采用线性内插的方式对正样本特征向量作特征间扰动,生成的新特征与原始特征级联后送入目标检测网络的分类分支,最终实现目标的检测。所提出方法以FCOS模型为例在DIOR公测数据集的plane、vehicle类上进行了测试,结果表明该方法是有效的,目标平均检测精度AP分别从39.0%提升到39.8%、从28.8%提升到29.1%。本论文围绕基于深度学习方法的遥感图像目标检测,针对大尺度变化目标检测难的问题,从数据扩增的角度,提出了一种过采样目标的图像端数据扩增方法和一种基于线性内插的特征端数据扩增方法,能够有效地提升大尺度变化目标检测的性能,为遥感图像目标检测提供了新实践。