随着遥感技术的不断发展,遥感图像也被应用于各个行业当中。近些年,光学遥感图像分辨率迅速提高,遥感图像数据量激增,然而传统的遥感图像目标检测方法无法满足在精度、效率等方面的需求。与此同时,随着深度学习领域的飞速发展,在自然图像领域,基于深度学习的目标检测技术取得了重大进展。目标检测是遥感图像分析中的一项重要任务,通过目标检测技术可以快速准确定位遥感图像中的感兴趣区域,传统检测方法存在着检测效率低下,对小目标检测精度不佳等问题,本文研究了基于深度学习的光学遥感图像定向目标检测算法。主要工作内容如下:（1）阐述了光学遥感图像目标检测技术研究的背景和重要意义,总结了高分辨率光学遥感图像中目标检测相对于自然场景图像的难点和挑战,调研了现有的光学遥感图像目标检测技术现状与发展。分析了基于深度学习的目标检测技术理论,阐述了常用的卷积神经网络模型和发展趋势;指出深度学习在光学遥感图像处理上的优势,并确定其是未来的重要发展方向。（2）基于原始Faster RCNN模型提出了一种改进的基于旋转区域建议的目标检测模型MFR-RCNN。针对光学遥感影像中目标尺度变化大且小目标较多的问题,引入特征金字塔充分利用骨干网络的多层信息,在多层特征图上进行目标检测,在大的特征图上检测较小的目标,在小的特征图上检测较大的目标,有效提升了目标检测精度。此外,由于拍摄视角的原因造成光学遥感影像地物目标具有方向多样性以及拥挤场景下水平检测框精度下降等问题,提出了旋转区域建议网络,实现了光学遥感影像定向目标检测。通过实验表明,所提出的改进方法明显提高了检测精度,定向检测框更适合于光学遥感影像实际需求,在公开的光学遥感影像数据集上的检测表现良好。（3）RPN网络需要计算每个锚框与真实目标框之间的IoU用来划分正负样本,由于候选框数量庞大,造成训练阶段RPN网络计算量过大。针对该问题,基于Anchor Free思想提出了SA-RRPN,直接根据特征图上的点进行候选框的生成,无需通过锚框进行修正,有效降低了RPN网络的计算量,并且免去了人工设计锚框的困难,并且通过Focal Loss有效改善了样本不平衡的问题。在提升检测速度并且降低了训练显存占用的同时,精度也有一定的提高,证明该方法切实可行。