随着遥感技术的快速发展,遥感图像中包含的信息越来越丰富,高分辨率的遥感图像中含有城市建筑物、城市交通和自然资源等方面的信息,遥感图像目标的检测与识别是遥感信息处理的基础。与传统目标检测算法相比,基于深度学习的目标检测以其检测准确率高和检测速度快已成为主流的目标检测算法,对自然图像的目标检测研究已经取得了可观的效果,但是,与自然图像相比,遥感图像中目标有排列紧密、尺度变化较大和方向任意的特点,这些特点要求目标检测网络具有较高的性能,因此,这对遥感图像的目标检测提出了新的挑战。本文以基于关键点检测的Center Net网络为基础,通过注意力模型、特征融合模块和旋转目标的表达方式对遥感图像的目标检测问题展开具体研究。本文的主要研究内容如下:（1）由于自然图像与遥感图像存在较大的差异,根据遥感图像中目标的特点,本文提出了一种R-Center Net遥感图像目标检测算法。在目标方向性问题上,添加提供遥感目标旋转变化的角度信息,并且由于遥感目标存在尺度变化,因此在网络中加入了多尺度特征融合模块,将遥感目标多尺度池化信息和注意力特征信息融合。通过实验结果表明R-Center Net模型在遥感图像目标检测中具有较好的效果。（2）分析利用角度信息来处理遥感图像中旋转目标时存在的限制,本文在BBAVectors方法的基础上提出了一种Spatial-Coordinate Attention模块和多路径残差块引导的旋转目标检测算法。首先通过多分支的方式修改Coordinate Attention模块,再与Spatial Attention模块融合生成Spatial-Coordinate Attention模块,该模块集成了多种注意力特征信息,能从不同方面学习目标的特征信息并进行融合,其次在Residual Block中扩展了原有的映射关系,设计了一个更为全面的多路径残差块的信息传递和共享结构,并且在网络上采样过程中引入了新的特征融合模块,在传递时减少了信息的丢失,提高特征信息的利用率。实验数据表明改进网络在多种遥感图像数据集上的m AP值都有提高,并且能保持较好的实时性。（3）针对BBAVectors方法在确定遥感目标方向性上使用了较多参数的问题,本文提出了一种基于坐标系投影的旋转目标检测方法。该方法使用坐标系投影来确定遥感目标的旋转边界框,首先将遥感图像目标放到同一个坐标系下,将目标的四个顶点向坐标系中的x轴和y轴进行投影,得到目标基于坐标系的投影向量,这种方法所需参数较少,网络学习的参数可以直接用来描述遥感目标旋转框。通过在DOTAv1.0和HRSC2016遥感数据集上进行实验,坐标系投影方法在准确性和速度方面都表现出更好的性能。