目标检测是计算机视觉领域中的基础研究方向之一,其任务是找出图像中所有感兴趣物体,指明物体的位置与类别。相比于一般目标检测任务使用水平包围盒描述物体位置,多方向目标检测要求进一步指明物体的方向性。随着深度学习的发展,一般目标检测算法迎来巨大的进步,然而这种水平包围盒检测算法并不适用于检测具有明显方向属性的目标,例如遥感图像中的物体、场景文本等。精确地检测多方向目标能在城市规划、安防、车流量预测、自动阅读等领域发挥重要作用。现有的多方向目标检测算法通常都基于两种基本回归算法:顶点回归算法与旋转矩形回归算法,其回归目标分别为四边形包围盒的顶点坐标以及水平包围盒外加一个角度。两种算法均存在其固有问题:顶点回归算法需要显式地对顶点排序,无法反映真实情况下顶点无序的事实;旋转矩形回归算法需要将角度表示为一个区间,区间两个端点处差异较大,无法反映真实情况下角度周期变化的事实。该问题本质是:实际情况中的一种情形可能对应算法中回归目标的多种情形,形成“一对多”的回归目标歧义。该歧义一方面会使得算法在训练时回归目标混乱,造成训练困难;另一方面会使得算法在预测时,在歧义点附近的输出结果发生错误。针对回归目标歧义导致的训练困难问题,本文提出一种基于水平包围盒顶点滑动得到多方向包围盒的多方向目标检测算法。相比于顶点回归算法,其能有效减少出现歧义的回归目标数量,降低训练的难度,使得多方向目标的预测更加准确与稳定。针对算法在歧义点附近输出结果发生错误的问题,本文提出一种基于倾斜因子的分治策略。倾斜因子可以有效判断一个多方向物体是否处于歧义点,分治策略将根据该判断有针对性地输出结果,纠正歧义点附近的预测结果,最终实现任意角度目标的精确检测。最后,本文基于经典的Faster R-CNN通用检测算法框架上实现上述算法,在包含遥感图像目标检测、场景文本检测、鱼眼图像中行人检测三个领域在内的共五个数据集上进行实验,在未堆砌其他任何技巧的情况下,在所有数据集上都取得较高的精度与速度,证明了问题的普遍性、算法的简单高效性。同时本文对每一个组件都进行了详细的实验分析来证明其有效性。