随着科技的进步,卫星以及无人航拍机技术的成熟,大量航拍遥感图像得以生成,促进了遥感图像的研究与应用。其中遥感图像的多目标检测有着重大的研究意义和应用前景,它可以应用于智慧城市的建设,城市道路的监控,以及国家安防事业的部署。经过近几年深度学习技术的爆发式发展,深度神经网络在普通场景的应用中已经达到了较高的准确率。然而,现有的目标检测网络都无法对小目标做到快速而又精准的检测,尤其是在高分辨率的遥感图像中,几乎每一个目标物体都是小目标。且在具有实时性要求的遥感图像多目标检测任务中,不仅需要网络能够针对遥感图像中的小目标具有较精准的检测能力,同时需要网络能有较快的检测速度,以保证监控画面的实时性和流畅性。为了解决遥感图像中目标物体过小,不易检测的难点,同时为了保证目标检测的速度,本文在SSD算法的基础上进行研究。本文首先阐述了遥感图像目标检测的研究现状以及说明了遥感图像区别于普通图像的特殊性和检测难点,同时介绍了目标检测常用的基础理论,然后阐述了几种经典目标检测网络,并将其应用于遥感图像上进行多目标检测,得到基线mAP,并可视化卷积层特征图分析SSD网络结构在遥感图像多目标检测中的不足。在此基础上,本文做了以下几点创新性工作:(1)针对遥感图像拍摄范围广,分辨率高,尺度大的特点,本文提出了“二次切割”的方法对遥感图像进行预处理,以保证遥感图像中的目标不会因为遥感图像的过度缩放而丢失过多的信息,也有效规避了由于图像尺寸无法和切割尺寸完美匹配而带来的图像损失。(2)针对遥感图像中目标物体过小,不易检测的难点,本文提出了对SSD的改进网络FD-SSD。FD-SSD去掉了 SSD网络数据预处理层的随机剪裁步骤,并结合FSSD将具有高分辨率的低层特征图和具有高语义信息的高层特征图进行融合,并且使用空洞卷积增大第三层特征图的感受野,利用具有高分辨率的低层特征图对小目标进行预测,同时不再使用1×1的顶层特征图产生目标框。实验表明使用“二次切割”的FD-SSD具有更好的检测效果,FD-SSD的 mAP比 SSD300 提升了 31.01%。(3)为了加快深度神经网络的工程化运行速度,本文利用目标跟踪算法,实现对监控视频的平滑跳帧检测。实验表明其在加快工程化运行速度的同时保证了监控画面的流畅性和稳定性。(4)利用本文提出的FD-SSD网络和平滑跳帧检测,实现了对无人机航拍车辆的实时监控。