作为图像处理领域中的一个重要分支,遥感图像目标检测技术广泛应用于数字城市建设、灾害检测以及军事侦察等领域,受到了学者们的关注。由于独特的成像机制,遥感成像技术在对地面目标进行成像的过程中具有多维度、多视角、信息丰富等优势。但遥感平台位于目标上方高空作业,对地成像的结果存在背景复杂、目标信息可变性强等特点。故本文针对传统目标检测方法难以在不同复杂场景下对多类别多尺度目标进行精准检测的问题,根据遥感图像的特点,结合计算机视觉领域内的理论知识与实践技术,设计了鲁棒性强的遥感图像目标检测算法,提高了多类别多尺度目标的检测精度,主要成果有:1.设计了一种基于双域协同卷积与边界敏感度增强的目标检测方法。在目标检测流程中,分类任务关注空间信息,而回归任务更关注边界上下文信息,两个任务之间存在一定的冲突,限制了检测网络的学习能力。针对这一问题,本文构建目标信息映射模块、边界敏感度增强模块以及双域协同卷积模块。其中,目标信息映射模块能够同时从骨干网络和特征金字塔网络中提取出具有不同特性的感兴趣区域特征,分别对目标进行回归和分类;边界敏感度增强模块能够沿着特征图空间域的水平和垂直方向对目标边界进行增强,丰富目标在特征图中的边界上下文信息;双域协同卷积模块能够在局部域和全局域内学习不同的卷积核,丰富目标在特征图中的空间信息。相比于baseline方法,该方法在DOTA和HRSC2016数据集上的检测精度分别提升了 3.92%和 1.93%。2.设计了一种基于自适应特征重组与融合的目标检测方法。针对插值上采样方法难以捕获语义信息的问题,构建自适应特征重组模块,该模块能够根据特征图中潜在的信息,以内容感知的方式自适应地生成包含像素对间语义关系的权重核,随后根据生成的权重核扩大特征图的分辨率;针对逐元素相加的特征融合方式难以充分利用不同特征图中信息的问题,构建动态特征加权融合模块,该模块能够在特征融合的过程中动态地调整特征图对应通道的权重,进而提升检测网络对具有不同特性特征图的利用率。相比于baseline算法,该方法在DOTA和HRSC2016数据集上的检测精度分别提升了 3.28%和1.65%,并能够较为明显地提高尺度较小目标的检测精度。3.设计了一种基于非局部层级信息补偿的骨干网络。针对骨干网络提取的深层特征图中缺少细节信息的问题,引入非局部层级信息补偿模块,该模块通过捕获不同层级特征图空间域对应位置间的远距离依赖关系,能够将浅层特征图中丰富的细节信息逐级传播到深层特征图中,并通过金字塔池化降低非局部操作的计算复杂度。相比于baseline算法,该方法在DOTA和HRSC2016数据集上的检测精度分别提升了 2.77%和1.14%,并能够较为明显地提高尺度较大目标的检测精度。