随着图像传感技术和航空航天事业的迅猛发展,遥感图像的获取变得更加便捷,遥感图像的分辨率也得到了极大提高。高分辨率的可见光遥感图像中包含着大量的地物信息,对这些信息进行充分分析与利用显得格外重要。遥感图像目标检测正是一种遥感影像解译的方式,其目的是在一幅给定的航空或卫星图像中确定是否包含一个或多个目标,并确定每个预测目标在图像中的位置。近年来,对遥感图像中典型目标的检测在资源利用、城市规划、军事目标识别、战场环境仿真等诸多领域都发挥着重要作用。但是遥感图像拍摄幅度大,距离远,成像环境复杂,并且不同目标特性差异大,这些因素都给检测任务带来了极大困难。因此对遥感图像中典型目标进行检测依然是一个富有挑战性且具有意义的研究课题。本文主要针对可见光遥感图像中的海面舰船和地面飞机这两种典型目标的检测技术展开研究,以传统机器学习和深度学习两种不同的技术实现方向作为切入点,主要围绕着显著性检测,图像滤波处理,特征提取与判别,卷积神经网络模型构建等关键技术进行了深入研究,主要研究内容归纳如下:1.在远洋海面舰船目标的检测问题中,海面背景较为简单统一,引入视觉显著性方法来检测异于整体背景的显著区域,以快速搜索潜在目标。针对海面遥感图像中常会出现云雾,海杂波,舰船航行尾迹等干扰情况,提出了一种融合空间域下局部显著性分析和小波域下全局显著性分析的方法。该显著性分析方法可以在不需要任何先验知识的情况下有效抑制多种干扰,并突出舰船目标的显著区域,从而快速提取目标的候选区域。同时,通过提出的基于舰船目标几何形状参数和纹理特征分类的双判别机制对潜在目标进行鉴别。通过实验验证,该双阶段的检测方法可以准确地剔除虚警,筛选出真实目标。最后,引入Randon变换来分析已检测到舰船目标的主方向,确定目标方位角。2.针对显著性方法难以适用于在更加复杂多样的地面背景下确定飞机目标区域的问题,根据飞机目标的固有结构特性,提出了一种基于四阶圆谐函数的图像滤波方法对潜在目标中心点进行快速搜索。由于飞行动力学原理,飞机目标一般呈十字交叉结构。如果以目标中心为圆心,设置合适半径做圆,飞机的这种固有结构会引起其圆周上灰度值信号的规律性变化,即呈现出亮暗交替的四周期特性。可以通过设计用于计算信号相关的卷积模板来识别这种波形变化,进而确定目标中心位置。为了能够对图中不同尺度目标定位,引入图像金字塔对原始图像进行多尺度处理。同时,还对具有旋转不变性的Fourier HOG特征进行深入研究,并引入局部特征聚合描述符的方法对特征进行重新编码来降低特征维度,提高特征表征能力。最后实验结果表明,整体检测方法在公开RSOD数据集上可以取得不错的检测效果。3.由于基于深度学习的方法对检测目标的类别不敏感,针对遥感图像中旋转目标的检测问题,尤其是近岸停泊的密集舰船目标,设计出一种可以对多类别典型目标进行旋转框检测的网络模型。在只能用于水平框检测的YOLOv5模型的基础上,增加对目标角度预测的通道,以实现对目标的旋转检测。针对模型训练过程中,因角度定义范围而引发的损失突变问题,将角度预测的回归问题转化为分类问题,并引入了圆形光滑标签的方法对角度进行离散化编码处理。同时,还对原始模型的激活函数进行替换,并引入BIFPN模块对多尺度特征进行融合,以增强网络的特征提取能力,进而提高模型的检测能力。最后,在HRSC2016数据集上进行了消融实验,验证了相关改进的有效性。同时还在DOTA数据集上进行了对比实验,说明了所提出的旋转检测模型在对多类别典型目标检测任务中也能取得不错的效果。综上所述,本文针对可见光遥感图像中典型目标自动检测任务中所涉及的多种关键技术进行了深入研究,提出了一些新的设计和改进思路。本文所取得的相关结论和成果对遥感影像自动化判读系统具有一定的促进作用。