遥感目标检测是遥感图像处理领域研究的重点,在航天、军用和民用方面发挥着重要的作用。然而,面向高分辨率遥感图像在轨实时目标信息提取重大需求,实现复杂背景下紧密排列的多尺度遥感目标的有效检测仍然面临巨大挑战。本文通过分析高分辨率遥感目标的特点,综合考虑检测精度和速度,从多尺度特征融合、特征增强、上下文信息监督、模型压缩等几个方面对现有的目标检测算法进行了改进,提出了一个新的检测网络EFEC-MNet。在保证检测速度的同时,提升了检测精度,为今后遥感图像目标检测领域的研究提供了更多的思路。本文的研究内容和主要贡献如下:(1)考虑到高分辨遥感图像拍摄距离远、视野覆盖范围广,图像尺寸大,将这样的图像数据直接输入网络进行训练会消耗大量的计算资源,若缩放至适应网络输入的尺寸,则会导致小目标信息在卷积过程中丢失。本文使用带有重叠区域的图像切分策略,将原始图像切分为640*640大小。实验表明,与不进行图像切分相比,切分后的检测精度mAP提升了22.22%。(2)针对高分辨率遥感目标尺度多样性和微小目标多等数据特性,本文在现有检测网络的基础上进行优化,提出了一个基于多尺度特征融合的MF-Net来提升检测精度。将沙漏网络作为检测的主干网络,针对大目标、中目标、小目标和微小目标这四种尺度的目标,在主干网络中对这些尺度进行低层和高层的特征融合,并输入对应的检测器,同时实现这四种尺度目标的有效检测。相比YOLOv3网络,MF-Net在RDSD数据集上的mAP提升了2.62%,检测速度提升了1 FPS。(3)为了进一步提升微小目标的检测精度,本文在MF-Net的基础上引入了特征增强残差结构(FERM),提出了基于特征融合与特征增强的MFE-Net。通过增大特征图感受野来增强微小目标的细节特征,从而提升整体的检测精度。并使用Soft-NMS进行边界框的后处理,一定程度上提升了密集目标的检测精度。MFE-Net具有与YOLOv3网络相当的检测速度,且mAP提升了4.15%。(4)为了解决复杂背景下目标的误检和漏检问题,本文引入了堆叠沙漏网络(SHN)。通过结合特征图的上下文信息,使用“中间监督”的形式,将两级的输出特征同时参与到损失计算中,提出了基于上下文信息监督的FEC-MNet。相比MFE-Net,FEC-MNet的mAP提升了2.92%,但检测速度有所下降。为了提升FEC-MNet的检测速度,本文提出了基于非对称卷积的压缩模型EFEC-MNet。相比FEC-MNet,EFECMNet检测速度提升了36.11%,且在DOTA数据集上取得了72.67%的mAP。