针对遥感有向目标存在的检测问题，设计了一个基于改进Rotated RPN的网络，设计特征重组机制，通过加权使网络关注有效目标区域。使用新的有向框标注方法，避免在临界角度出现错位等问题。在检测头前端使用极化注意力模块，改善因为分类和回归任务所需特征不一致导致的性能下降问题。实验结果表明，该模型可以提高多类目标的检测精度。相较于基准Rotated RPN，该模型在Dior-R数据集上精度提升4.95%，在HRSC2016数据集上精度提升11.75%。

针对遥感图像中小目标规模大、分布不均匀、尺度比例变化大和背景复杂等问题，提出一种改进的级联算法SA-Cascade。该算法使用循环特征金字塔使产生的特征表示逐步增强，提高小目标的检测率。使用基于可学习锚的建议区域生成网络，对遥感目标进行精确定位，并且引入特征自适应模块和特征融合模块，以提高模型对复杂背景图像的检测性能。在级联的基础上引入双分支检测头以提高模型对小目标的检测性能。在TGRS-HRRSD-Dataset和VisDrone-DET数据集上对不同算法进行对比实验，实验结果表明：改进后的级联算法可以更精确地对遥感图像目标进行检测和定位，相比改进前的级联算法在两个数据集上的精度分别提高2.94%和9.71%。