本文以多尺度目标检测问题为研究对象,研究使用深度卷积神经网络的多尺度融合特征提升模型的多尺度检测尤其是小目标检测的能力。本文首先以高分辨率可见光遥感图像中飞行器检测任务为例,在基于卷积神经网络(Convolutional Neural Networks,CNN)多尺度表示的单次多窗口检测算法(Single Shot MultiBox Detector,SSD)基础上,研究大尺寸、高分辨率可见光遥感图像下的多尺度目标检测问题。本文阐述了卷积神经网络不同尺度之间存在的“语义鸿沟”问题,提出了数据驱动的超参数选择方法,使多层检测层更加均衡和充分地训练。此外,还采用多尺度样本训练,以提高低层检测器的性能。本文在基于CNN多尺度表示的SSD目标检测算法基础上,研究多尺度特征的融合方法,提出基于多尺度特征融合的SSD目标检测算法,改进各个尺度特征的语义判别性,解决不同尺度特征间存在的“语义鸿沟”问题。为了改进单步检测算法的样本类别不均衡问题,本文在多尺度特征融合SSD算法的基础上,提出一种结合多尺度融合特征和目标先验的多尺度目标检测算法。通过目标先验,可以控制SSD检测算法仅仅在疑似存在物体的区域更新网络权值,从而显著减少目标的搜索空间,缓解正负样本不均衡问题。本文在可见光遥感图像数据集和KITTI汽车检测数据集上训练和测试我们提出的改进算法。实验表明,本文最终提出的结合多尺度特征和目标先验的检测算法达到了先进水平。