近年来,随着遥感技术的提高,涌现了一大批成像卫星,遥感图像在各个领域中扮演着越来越重要的角色,遥感图像目标检测被广泛应用于国防安全、城市建设规划、灾害监测等多个领域。由于传统目标检测算法在特征提取阶段难以避免人工设计特征,一定程度上影响了目标检测的性能,在对遥感数据有效的分析和利用上还存在着一些不足。因此,在大数据以及自动化识别的背景下,随着近年来人们对深度学习算法的研究越来越深入,如何运用深度学习方法对遥感图像进行检测是实现从数据到知识转变、提高对遥感数据的利用效率、加强遥感应用效力的关键所在。本文基于深度学习目标检测算法中具有明显优势的YOLO算法,针对该算法在对大小不一,长宽比例悬殊以及小尺寸的物体检测时存在漏检和误检问题进行优化,在其最新版本YOLOv3的基础上构建了一个扩张YOLO模型即“Dliated-YOLO”并将该模型应用于遥感图像目标检测上,具体工作体现在以下几个方面:(1)针对以YOLO为代表的单阶段模型在目标漏检、小目标检测率上存在的弊端,收集了遥感图像中“桥梁、海港、机场”三种典型小目标数据,同时通过对图像进行旋转、缩放、增加椒盐噪声和高斯噪声等方式扩充数据集,作为此次实验的标准样本训练集和验证数据集。(2)其次通过使用K-Means算法对本文的遥感数据集进行聚类分析,得出适用于遥感数据的锚点框维度。(3)再者,针对YOLO对小目标检测的劣势,将空洞卷积引入Darknet53的特征提取层中,在不增加参数量的条件下扩大卷积核的局部感受野,提高其对小目标的检测率,同时进一步加深了模型深度,将原来的三个尺度检测增加为四个尺度检测,最终构建了一种应用于遥感图像目标检测的的扩张YOLO模型,即“Dilated-YOLO”模型。(4)最后,将本文构建的“Dilated-YOLO”模型应用于遥感图像目标检测上。实验结果表明该算法在小目标查全率上有了明显的提高,误检率也得到了控制,同时算法的收敛性也很好,从理论和实验效果两方面说明本文构建的模型能有效的提高目标检测性能。