高分辨率遥感影像可以帮助林业人员实现大范围高精度森林资源调查、木材产量估计和森林测绘,也可以为城市绿化规划提供决策支持。随着遥感影像的分辨率逐渐提高且获取变得容易,很多研究人员致力于单棵树木信息的提取工作。但是当前树木检测方法普遍依赖于专家的先验知识,对不同场景的鲁棒性较低。在复杂场景中,传统基于图像处理技术的树木检测方法往往受到地表环境和光照环境的影响较大,而且现有深度学习检测模型也无法有效解决该问题。另外在树木粘连场景中,传统方法在树冠相互遮挡和光照阴影干扰下会出现定位漂移现象且有大量漏识。为了提高树木检测的精度并且针对不同场景下做出相应优化,本文从以下三点展开了树木检测方法研究:(1)复杂场景中会出现树木颜色与背景相似,树冠轮廓不清晰以及光照导致树木阴影产生形状异常的情况,但是现有深度学习网络模型并没有针对这些难分样本的优化,依然存在较多误识和漏识的问题。针对上述问题本文提出了一种递进式级联卷积神经网络树木检测方法,该方法将三个卷积神经网络的特征提取层进行递进式级联,分支中网络层判断是否过滤样本并反馈到特征提取模块,同时使用两阶段训练机制提高模型训练效率。为了验证方法的有效性和实用性,本文对比分析了本文提出的递进式级联卷积神经网络和其它方法的树木检测结果。实验结果表明,本文提出的方法不仅有更低的误识率和漏识率,同时对不同复杂程度的场景都具有较好的鲁棒性。(2)在树木粘连严重的场景下,预测边界框相互重叠会出现过抑制的情况,以致造成检测结果漏识和定位漂移。针对上述问题本文提出了一种基于抑制优化机制的粘连树木检测方法。所提出的抑制优化机制首先建立了基于抑制避免的检测模型,通过在损失函数中添加了实例外GT距离损失和Box距离损失,对预测边界框的定位进行了优化,使得检测结果会远离真实参考树外的其它实例参考树和预测边界框,因此解决了定位上的相互抑制而导致的漏识问题。实验结果中基于抑制避免的网络模型F1值相比区域生长和模板匹配方法有大幅提高,相比Mask R-CNN也有所提高,因此表明,该方法在树木粘连场景下的定位更加准确,有较好的树木检测性能。(3)在树木粘连场景下,基于上文提到的抑制避免的模型检测得出的边界框仍然无法完全分离,而且传统非极大值抑制后处理方法对于重叠的检测结果只保留置信度最大边界框,这会造成检测结果漏识。针对上述问题,本文提出的抑制优化机制还提出了一种基于树木演变的弹性抑制后处理方法。该方法依据预测边界框重叠程度对置信度分数做出弹性更新,以此来代替传统方法中的直接抑制。同时结合树木生长是否异常的情况对边界框置信度二次调整。实验中使用了基于树木演变的弹性抑制后处理方法,检测结果表明,本文提出的后处理方法有效优化了树木粘连产生的漏识问题,并且参数敏感性低。