目标检测是计算机视觉的重要应用领域之一。随着传感器技术和航天工业的发展,遥感影像的分辨率有了很大的提高。在高分辨率光学遥感数据中,目标的轮廓和纹理可以被清晰地观察到,为目标检测的应用提供了数据基础,且光学遥感数据中目标结构比SAR图像更接近人眼感知。由此目标检测也成为光学遥感领域的又一基础性问题。伴随着这些优势的同时,在目标检测任务中光学遥感数据也带来的新的挑战。例如,光学遥感数据中背景信息复杂、目标的尺度小、目标的方向性多等问题。光学遥感图像中的目标检测是确定给定的卫星图像中是否包含一个或多个属于感兴趣类别的目标,并确定每个预测目标在图像中的位置。相较于图像数据,视频数据具有丰富的上下文信息,有助于提高检测的精度。本论文基于深度神经网络对自然图像中的目标进行检测的方法,分析目标检测在光学遥感视频领域中的优势和挑战,提出了一系列针对光学遥感视频任务的改进方法,在不损失检测速度的前提下,获得了令人满意的检测精度。主要的研究内容如下所述:1.本文提出了一种基于时空融合遥感视频目标检测方法。该方法基于Faster Rcnn的思想,采用微调的训练方式的方式并引入滑动窗口采样的方法解决视频幅宽大、计算性能受限、训练数据不充足的问题,采用时空融合的方法充分利用视频中的帧间信息以提高检测的精度。2.本文提出了一种基于空洞卷积的遥感视频目标检测方法。光学遥感视频检测任务中的目标相对于自然图像中的目标有尺度小、分布密集等不足。为了提高算法的泛化能力,提出了改进的Trident Net检测方法。在Trident Net中应用Focal Loss损失函数及Soft NMS融合方法,使检测算法对小目标及分布密集的目标更加有效。3.本文提出了一种基于水陆分割的遥感视频目标检测方法。在光学遥感视频检测的任务中一些目标仅出现在水域或出现在陆地。本文中结合自适应阈值方法,实现了对水域和陆地的分割。首先检测算法提取出候选目标,然后利用分割的结果对候选目标做后处理,从而提高了识别的准确率。