随着遥感技术的进步,人们获取的遥感数据量急速攀升,更需要高效的自动化处理数据的手段。作为当下最热门的人工智能技术,深度学习成为了热门的研究领域,并且在遥感影像目标检测领域已经展现出了潜力。本文重点研究基于深度学习的遥感影像目标检测算法。本文对现有算法存在的不足之处进行了分析,并结合遥感影像目标检测的任务展开进一步的研究。首先在遥感图像中的物体是形状各异,大小不一,且其中小目标的数量繁多,这些小目标的信息较少,不易识别,在网络中易于丢失,这使得网络对于小目标的检测效果较差,漏检错检测的情况严重。其次随着遥感影像分辨率越来越高以及算法性能的提升,基于更高IoU阈值的高质量检测需求也随之增长,但是遥感影像中形状各异、大小不一的物体对于探测器是一个难以兼顾的问题,无法对这些物体同时做到精准的定位以实现高质量的检测,多数情况下只能降低检测的IoU阈值标准。针对上述问题,本文开展了以下工作:(1)引入特征金字塔,使用结构化的锚点设计,在顶层特征上抑制对锚点的选择,在底层特征上增强对锚点的选择,通过锚点补选增强的方法,给予包含小目标的锚点更多的训练机会,以此来引导网络偏向检测小目标。(2)使用多阶段级联探测器,逐层提升候选框的质量,至此逼近真实基准框的程度,以此来实现高质量的检测。同时改进了边框回归函数,使候选框在回归过程中趋于更加稳定,尤其是当候选框接近真实基准框时,使得探测器在高阈值下更加稳定,从而提升了高质量检测的精度。通过实验验证,本文的方法在小目标检测问题上召回率大幅度提升,错检漏检的情况得以改善。同时本文的方法对物体的定位更加精准,大幅度提升了在高IoU阈值下的检测精度。