近年来,随着遥感技术的发展与进步,越来越多的高分辨率遥感图像可以被采集,因此基于深度学习的目标检测也被应用到遥感图像领域。然而高精度的目标检测器需要通过大量有标签数据进行训练来获得,而遥感图像本身尺寸大且目标数量极多,标注成本限制了数据集规模的同时也限制了目标检测器的表现。现实中存在着海量的无标签遥感图像,本课题通过研究面向目标检测的不完全监督学习算法,设计了主动学习算法对无标签数据的有效挖掘和选择性标注的同时引入半监督学习算法对部分目标实例进行自动标注,减少标注成本的同时提升目标检测器的表现。首先,本课题研究了在同等标注图像数量下,如何定义主动学习目标检测任务中的目标实例分类不确定度并整合图像的不确定度以实现更高的检测精度和相对标注图像节省率。我们在进行实验和分析后提出了相对标注目标节省率这一指标,可以对遥感图像目标检测不完全监督学习进行更加精确的分析和指示,并以此指标衡量论文的其他不完全监督学习算法。其次,本课题对目标检测器的回归信息进行了分析并设计了目标实例级的回归不确定度,此不确定度可以通过目标实例的尺寸评估对于目标检测器其信息量。通过与分类不确定度进行结合,我们设计可以对不同尺度目标实例进行自适应的主动学习算法,提高了同等标注量下目标检测器的泛化性。同时,我们还利用主动学习算法对有标签的数据进行了评估并加强了困难数据在训练过程中的权重,进一步提升了算法表现。最后,本课题研究了主动半监督学习目标检测算法。通过此前设计的主动学习算法可以对无标签数据进行有效的选择,但由于遥感图像尺寸巨大且通常包含多种类别的目标实例,这将意味着选择的无标签图像中可能包含置信度较高的目标实例。本课题通过对置信度较高的目标实例进行自动标记可以在节约标记量的同时提高目标检测器的表现。同时,本课题通过引入图像自学习策略对高置信度图像进行完全自动标记,在无额外人工标记成本的情况下进一步精确的了目标检测器的推断边界。本课题设计的最佳不完全监督学习算法可在到达58.2%的相对标注目标节省率情况下到达接近全监督的检测精度。