高分辨率遥感图像的目标检测是一项具有挑战性的任务。尽管有许多基于卷积神经网络（Convolutional Neural Network,CNN）的先进方法在自然图像中取得了不错的效果,遥感图像中的目标检测进展得却不是那么顺利。不同于自然图像,遥感图像中的目标具有任意方向、密集分布和尺度差异大的特点,导致会出现一系列如特征不对齐、误检漏检和大长宽比目标检测不佳的问题。针对上述问题做出的相应改进工作如下:（1）考虑到自然图像中的水平框目标检测方法在对密集分布且方向任意的目标进行检测时容易出现的漏检和误检问题,采用了相对于水平框有一定偏移角度的有方向框代替水平框,有方向框在密集分布场景下相邻框之间只包含对应目标,不会发生重叠区域过大的情况。（2）提出了一种改进的多方向两级级联R-CNN方法来更好的检测遥感图像中具有任意方向的小目标。首先将区域提议网络（Region Proposal Network,RPN）得到的水平感兴趣区域转换成旋转感兴趣区域,旋转区域可以更好地提取待检测目标的特征,之后再对旋转感兴趣区域作进一步回归得到目标的精确位置。在第一级区域转换网络设计了多方向RoI对齐模块从多个不同旋转方向的水平感兴趣区域获取方向敏感特征,同时在回归分支添加方向注意力模块自适应地给每个方向通道的特征赋予权重,加强特征的方向敏感性。（3）针对候选区域位置的变化带来的特征不对齐问题,设计了基于可形变卷积的多分支特征对齐模块来重新采样特征,同时采用了不同扩张率的空洞卷积来获取不同尺度的感受野。另外提出了基于目标长宽比的角度偏移惩罚损失函数来缓解大长宽比目标对于角度偏移更加敏感的问题,在训练过程中更加关注大长宽比目标角度偏移量的学习。在DOTA和HRSC2016这两个公开数据集上得到的消融实验以及和其它先进方法的对比实验结果都验证了本文提出算法的有效性。