随着遥感技术的迅速发展,遥感图像的应用范围日趋广泛。近些年,光学遥感图像的分辨率迅速提高、遥感图像数据量激增,使得遥感图像中的精细目标检测变得可能,遥感图像的应用不再局限于以往粗糙的遥感图像分类。然而,现有的遥感图像目标检测技术在精度、通用性、效率等方面还达到实际应用的要求。与此同时,基于深度学习的计算机视觉技术正在迅速发展,在多个领域达到了远超传统算法的效果,具有精度高、适应性强等诸多优势。已经被用于诸如人脸识别、行人检测,智能监控等等众多场合。故为改善现有的遥感图像目标检测技术性能不足的问题,本文研究了基于深度学习的光学遥感图像目标检测算法。在基于区域建议的深度学习目标检测算法的基础上,提出了一种适于高分辨率光学遥感图像的多类目标检测方法MS-FRCNN。针对遥感图像中小目标多、目标尺度多变导致检测模型容易漏检的问题,借鉴特征金字塔网的思路,利用融合后的多层特征进行检测。针对背景复杂、目标存在形变等挑战,借鉴可变形卷积网络更好地提取目标本身的特征,减少背景干扰;另外,采用改进的NMS算法更好的处理边框易重叠的目标。通过实验表明,所提出的改进方法具有精度较高、泛化能力强等优点,在公开的光学遥感图像数据集上表现良好。另外,由于遥感图像中相似物干扰明显导致部分类别目标容易被误判,针对此问题,提出了一种融合语义分割信息的目标检测方法,在进行常规目标检测的同时利用语义分割得到的像素级分类信息,再根据目标与环境间的客观关联过滤不合理或不需要的检测结果,有效地降低了误检率。