近年来,基于深度学习的目标检测算法快速发展,诞生了许多优秀的目标检测模型,这些模型可以被分为两大类,一类是一阶段目标检测模型,另一类是二阶段目标检测模型。这两类模型都有一个相同的特点,就是利用水平候选区域来对输入图像中的目标对象进行检测,但这个特点对于充满了密集排列、体积小且朝向任意的目标对象的应用领域不太友好,尤其是产品缺陷检测领域,水平边界框不仅不能准确地表示目标对象的位置,且会使得目标检测模型在检测过程中更加容易受到无关特征的干扰,影响检测精度。在本文中,围绕着产品缺陷检测领域,着重解决基于水平候选区域的目标检测模型存在的弊端,提出了基于DRRPN（变形旋转候选区域建议网络）网络的二阶段旋转目标检测模型和基于IDAFR（实例去噪和特征细化）网络的一阶段旋转目标检测模型,主要的工作如下:（1）系统阐述了与本文旋转目标检测算法的相关理论基础,主要包括用于特征提取的卷积神经网络、常用的目标检测模型和最新的旋转目标检测模型。此外,本文还介绍了旋转目标检测模型的一些改进算法和将用于评估模型表现的数据集。（2）提出了基于DRRPN网络的二阶段旋转目标检测模型。本模型在二阶段旋转目标检测模型SCRDet++的基础上,对SCRDet++模型进行改善,检测精度比SCRDet++模型提高了0.287%。本文针对SCRDet++模型的RPN网络在旋转目标检测中存在特征不对齐的问题,设计了DRRPN网络,并利用分类方式对角度进行预测,克服角度边界问题。同时也设计了空洞卷积残差网络,用于提升实例去噪模块的表现。（3）提出了基于IDAFR网络的一阶段旋转目标检测模型。本模型在一阶段旋转目标检测模型R~3Det的基础上,对R~3Det模型进行改善,检测精度比R~3Det模型提高了0.548%。本文将改进的实例去噪模块融入到模型中,使得模型具有抑制实例噪音的能力,同时采用不同的策略训练两个特征细化模块,并对它们的输出特征图进行融合,进一步丰富特征信息。此外,本文在模型中适当的位置加上变形卷积,提升模型的几何变化能力,并采用分类手段作为角度预测的方式,克服角度边界问题。