近年来,光学成像卫星技术发展快速,越来越多搭载高分辨率传感器的卫星成功发射,并获取到了大量的高质量遥感卫星图像。这些图像数据中包含了大量的地面物体位置信息,包括飞机,轮船,地面车辆等。如果能够准确的掌握这些位置信息,那对于军事以及民用具有重大意义。同时卫星拍摄的遥感图像更多的倾向于港口等场地,其图像中目标具有排列密集,尺寸变化大,方向任意等特点,增大了目标检测难度。因此,国内外学者十分关注遥感图像的目标检测问题。目标检测的本质是利用图像处理的相关算法获取图像特征,并根据特征信息确定目标所在的位置信息,在近年的目标检测算法中通常都包含了目标的定位和目标的识别任务。目前研究目标检测的方法主要分为传统的目标检测算法,和基于深度学习的目标检测算法。在这些方法中R2CNN++首先提出了通过在目标框回归中加入旋转角度预测的方法解决了任意角度目标的检测问题。但是R2CNN++方法在遥感图像目标检测的速度与精度方面任然存在有待改进的地方。因此本文根据R2CNN++网络在遥感图像中存精度与速度方面存在的不足,对R2CNN++网络做进一步的改进。首先,对于网络存在大量冗余计算,导致其检测速度过慢,本文分析该网络种最耗时的部分,即主干网络。选用精简速度更快的DarkNet53替换原始的主干网络ResNetl01,保证了检测效果不下降,而提高了检测速度。其次,本文研究设计一种非局部的空间注意力模型,将其成功嵌入到新的主干网络DarkNet53网络中,扩大感受野,更充分利用了上下文的空间信息,提高检测精度。最后,分析R2CNN++检测网络中存在的不足,从两个方面改进检测网络。一方面改进IF-Net结构,增加融合更高层特征图的信息,改进大尺度目标检测效果;另一方面分析注意力部分损失存在的问题,增加掩模改进损失函数,平衡其对于不同尺度目标的损失,进而提高目标检测精度。本文基于单卡RTX 2080 GPU平台,分别利用ImageNet数据集和DOTA数据集,对模型进行性能评估。实验结果表明:相较于改进前的R2CNN++网络,本文的最终模型速度有很大提升,相比于R2CNN++,速度提升了 53.8%。并且通过最后的实验结果与分析,可以看出其检测的目标尺度也得到了改善,最终网络检测精度有效的提升了 3.11%。