近年来,随着遥感技术和相机技术的飞速发展,大量的光学遥感卫星随之而来,从而提供了海量的高分辨率遥感图像。在分辨率方面,当前光学遥感图像的空间分辨率已经达到了0.5米,在这样的分辨率下图像中具有更多的轮廓与纹理信息,为目标检测提供了更多的细节信息。而本文将深度学习和遥感相结合,针对深度学习相关的光学遥感目标检测展开研究,主要的工作内容和研究成果如下:（1）利用特征增强模块拓宽网络,获取更多信息:针对单步（one-stage）目标检测算法中存在的准确性较低以及训练参数复杂的问题,本文将特征增强模块（Feature Enhancement Module,FEM）引入到单步目标检测算法中,在未增加多少训练参数的情况下变相拓宽了网络,提取了更多具有位置和类别信息的图像特征;（2）提出单步检测网络（44）~2-Net:在引入特征增强模块的基础上,将一种新的特征融合模块加入到检测网络中,提出了一种基于Retina Net的单步目标检测算法（44）~2-Net（Multi-scale Multi-level Feature Enhanced Network）。该算法将特征增强模块（Feature Map Enhancement,FME）和特征融合模块（Feature Fusion Block,FFB）集成到Retina Net中。FME模块通过将卷积运算分解为两个相似的分支而不是单个分支来增强弱特征,有助于用较少参数扩展感受野;FFB模块用于缩短浅层高分辨率特征与深层高层语义特征之间的信息传播路径,有利于更有效地进行特征融合和目标检测,尤其是小尺寸特征;（3）提出双步检测网络（?）3-Net:以双步（two-stage）目标检测算法Faster R-CNN为基础,提出了一种能够降低预训练参数干扰、减少图像中背景干扰的高分辨率遥感图像目标检测算法（?）3-Net（Feature Fusion and Filtration Network）。（?）3-Net利用具有残差结构的特征适配块,以端到端的方式调整主干网,更好地考虑了遥感图像的特性。然后,通过分层融合不同层次的特征图,在多个尺度上学习对象的上下文信息。为了抑制来自杂波背景的干扰,通过附加的特征过滤模块将融合后的特征投影到低维子空间中;（4）在多个数据集上进行对比试验和可视化实验,实验结果表明不管是以单步检测算法还是以双步检测算法为基础,我们的改进都是具有正面效果的。相比较而言,（44）~2-Net的检测精度要逊色于（?）3-Net,但是（44）~2-Net的检测速度要大大超过（?）3-Net,两个算法综合下来伯仲之间,总体性能对比现有的光学遥感目标检测算法都具有优势。