遥感技术目前已广泛应用于多种军事和民用领域,准确地检测出图像中的物体对于分析和利用这些图像非常重要,并在安防、交通和救援等方面有重要的应用价值。随着卫星遥感以及航空摄影技术的快速发展,遥感图像的分辨率越来越高,人们可以获取更多的地物信息。然而,随着遥感图像分辨率的提高,图像处理难度也有所增大。随着计算力的快速发展以及许多优良网络结构的出现,深度学习在计算机视觉领域取得了显著成果。深度学习的出现给遥感图像目标检测带来了空前的机遇,许多学者基于深度学习方法提出了新的方案以使得网络能够学到更精确的特征,然而大量密集排列、小尺度、任意方向分布的不规则物体,仍然对于遥感图像目标检测构成挑战。本文将基于S~2A-NET算法进行改进以有效检测出遥感图像中密集排列的小目标,具体工作如下。1)针对遥感图像中特征信息不充分的小目标检测精度低的问题,基于超分辨的思想设计了小目标特征增强模块S~2ANET-SR。对于特征信息一致只是尺寸不同的大目标和小目标,利用大目标的特征信息来增强模型对小目标特征的提取。在计算引入的超分辨损失时,超分辨模块采用mask方式针对性地对图像中有物体的区域进行监督学习,并采用patch方式保证特征图纹理信息在局部区域的一致性。实验表明,提出的S~2ANET-SR算法相比于S~2A-NET基准算法可以有效改善小目标的检测效果。2)针对遥感图像目标密集场景下的同类物体漏检问题,基于代表特征设计了困难正样本分类置信度提升模块S~2ANET-REP。首先选取出用以表示图像各个类别语义信息的代表特征,通过设定合适的置信度阈值提高代表特征可靠性和有效性。然后进一步计算漏检的困难正样本与代表特征的相似性,采用了多种相似性度量函数。最后根据特征间的相似性自适应增加困难正样本所属类别的分类置信度,以进一步推断困难正样本的存在。共享模型中两个阶段分类支路的参数以确保相似性计算过程的一致性并减少模型的复杂度和参数量。实验表明,提出的S~2ANET-REP算法相比于S~2A-NET基准算法可以有效提升对于困难正样本的分类能力。3)根据本文提出的S~2ANET-SR算法和S~2ANET-REP算法以得到最终的S~2ANET-SREP模型,并实现了针对于遥感图像的目标检测系统。使用通用遥感图像数据集DOTA进行实验,结果表明本文提出的S~2ANET-SREP模型的m AP值可以达到75.16%,相比于S~2A-NET基准模型检测精度提高了1.72%。