计算机视觉是计算机分支中一个由来已久的发展方向,但是受硬件设备和技术的限制,计算机视觉发展缓慢。随着计算能力的提高和深度学习的诞生,计算机视觉成为一个热门发展方向,而目标检测是计算机视觉中一个重要发展方向,目标检测利用计算机自动定位目标并识别目标,在无人机跟踪、自动驾驶的发展都有其重要意义。目前深度学习中的卷积神经网络是目标检测领域的主流方法,卷积神经网络由于其固有的特性,在图像特征提取方面有着传统目标检测难以比拟的优势。从神经网络目标检测的鼻祖R-CNN,到最近的M2Det,目标检测进展显著,但是现有的目标检测方法中精度和速度无法兼顾,如何既好又快地进行目标检测仍是目标检测中一个亟待解决的问题,目标检测仍存在改进空间。本文在YOLO算法的基础上提出了滑动窗口改进算法,通过在输入图片上进行不同尺度滑窗,来检测高分辨率图像中的目标,提高小目标检测精度,另外利用图像显著性和ResNet识别网络分别对检测结果进行目标位置校正和目标类别校正。最后将这两个算法对接,进一步提高YOLO算法的检测效果。本文在遥感飞机影像和遥感船只数据集上,将本文提出的改进算法同当前主流的目标检测方法作比较,用查准率和查全率围成的曲线作为评价指标,来验证该算法的有效性。