遥感目标具有较大的尺度差异性，针对其在复杂背景干扰下易导致细粒度级别多尺度特征提取困难、预测部分有效表征较弱的问题，本文基于无锚框思想，提出一种多元特征提取与表征优化的遥感多尺度目标检测方法（Multivariate Feature extraction and Characterization optimization，MFC）。在特征提取部分，设计多元特征提取模块（Multivariate Feature Extraction，MFE）挖掘细粒度级别的多尺度特征，通过分组操作及跨组连接的方式扩大感受野、增强多个特征尺度的组合效应，并联合上下文信息进一步加强对小目标的关注；采用深层聚合结构对深浅层特征进行充分融合，以获得更全面的特征表达。在预测部分，提出一种表征优化策略（Characterization Optimization Strategy，COS），利用椭圆型映射进行标签优化以适应具有较大纵横比的遥感目标，设计坐标像素注意力组合关注多尺度目标通道、位置及像素信息，减少复杂背景干扰，使有效信息得以突出表征。在DIOR，HRRSD，RSOD数据集上进行消融及对比实验，实验结果表明：MFC模型的mAP分别达到了70.9%，90.2%和96.9%，优于大多现有方法，有效改善了误检、漏检问题，适应性和鲁棒性较强。

针对彩色遥感图像上飞机目标体积小、分布密集、背景复杂导致的检测精度低问题，提出了一种改进无锚点的彩色遥感图像任意方向飞机目标检测算法。采用BBAVectors为基准模型，以ResNet50为主干网进行特征提取，在特征金字塔网络FPN后增加一条自上而下的路径扩展网络PANet模块，缩短信息路径并用低层级准确位置信息增强特征金字塔。其次，引入注意力机制CBAM模块，通过抑制噪声和突出目标特征，实现复杂环境下的飞机目标检测精度的提升。在DOTA数据集上分别进行消融实验和对比实验，并使用DOTA_devkit对数据集分别进行0.5以及1倍比例的裁切，提高模型的检测精度。改进后的模型在彩色遥感图像测试数据集上的检测精度达到了90.35%。相较于原模型，检测精度提升了0.82%。实验结果表明，该方法在彩色遥感图像中的飞机检测任务中具有更好的检测效果。

由于鱼眼图像存在几何畸变，导致现有的基于鱼眼图像的行人检测算法存在着检测准确率低以及后处理计算复杂度高的问题。针对上述问题，提出了一种使用旋转边界框的行人检测算法。首先，算法采用无锚框网络结构，使用中心热图预测边界框的中心点，在后处理筛选边界框时无需进行非极大值抑制，避免了旋转框之间交并比计算的引入；其次，设计具有角度和尺度自适应的高斯核函数，用于拟合畸变行人的中心分布，大幅减少了背景特征的干扰，并且平衡了具有不同成像大小的行人在边界框回归过程中的差异；最后，设计角度交并比损失，同时结合交并比损失以及旋转框参数的Ln范数损失，并通过指示函数改善角度正则项与交并比损失回归不一致的问题。在公开数据集上对算法进行了验证，实验结果表明，算法的平均mAP为51.33%，取得了目前最佳的检测结果，检测帧率达到49 fps，与带锚框的检测算法相比，提升了139%，综合性能优于现有的基于鱼眼图像的行人检测算法。