随着卫星遥感技术水平的全面飞速发展,遥感图像分辨率日渐提高,车辆等遥感小目标也可以在大尺幅遥感图像中清晰地显现出来。车辆作为一种主要的交通工具,在民用及军用领域都具有极其重要的应用,是遥感图像目标检测的重点对象。相比于自然图像,遥感图像的尺幅范围更大,且场景复杂多变,增加了遥感目标检测的难度;在遥感图像车辆目标检测中,目标的像素占比小,在不同分辨率遥感图像中车辆目标尺度差异也较大;以及常出现车辆目标密集停放的场景。目前已有基于自然场景的目标检测方法都难以对遥感图像中的车辆目标进行有效检测。因此,基于目前深度学习图像目标检测理论知识,针对遥感图像中车辆目标检测所面临的相关难点,提出一种基于深度感知的光学遥感卫星影像车辆检测技术,本文的主要研究工作和成果包括:首先,针对遥感图像场景复杂多样、车辆目标像素占比小的特点,本文提出引入通道注意力机制,构建各个特征通道之间的联系,利用学习的方式,求出每个特征通道的重要程度,然后对当前任务用处不大的特征进行优化,从而调整每个通道的特征响应值,让提取到的特征指向性更强,从而提升检测效果。其次,针对不同分辨率遥感图像中车辆目标尺度差异较大的问题,本文提出,在特征融合阶段,采用基于加权双向特征金字塔融合的方法。通过构建除前向传播之外的自上而下、自下而上的双向通道,对来自主干网络不同尺度的特征信息进行融合,从而有效地解决了不同分辨率遥感图像中车辆目标尺度差异较大的问题。再次,针对车辆目标在遥感图像中常出现密集停放场景的问题,本文提出基于离散化角度分类的方法。通过将旋转角度的回归问题转换成分类问题,以得到更加准确的检测结果。此外,用带旋转角度的矩形框来描述目标位置,能够减少车辆目标密集停放造成的边界框重叠,进而有效提升了这类场景的检测性能。最后,基于上述一系列关键技术研发,形成基于深度感知的光学遥感卫星影像车辆检测技术算法,利用大型公开遥感数据集DOTA的车辆子集和来自Goole Earth的搜集的车辆数据集,进行定性和定量分析实验,验证了所提方法的有效性。