摘要：更快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(faster region-based convolutional neural network,Faster RCNN)是兩階段的目標(biāo)檢測(cè)模型,通過區(qū)域生成網(wǎng)絡(luò)將區(qū)域提議與識(shí)別完全融合到網(wǎng)絡(luò)模型中,使主要的運(yùn)算可以在圖形處理器中完成,因此,其同時(shí)具有良好的檢測(cè)速度與精度。但是當(dāng)Faster RCNN直接應(yīng)用于遙感圖像目標(biāo)檢測(cè),面對(duì)寬尺寸范圍的多種目標(biāo)時(shí),性能受到了很大削弱。分析了池化操作和目標(biāo)尺寸對(duì)區(qū)域提議的影響,提出聯(lián)合多層次特征進(jìn)行區(qū)域提議的方法,提升了目標(biāo)區(qū)域的提議召回率。針對(duì)性地優(yōu)化前景樣本的生成策略,避免訓(xùn)練過程中的產(chǎn)生無效前景樣本,使得整個(gè)檢測(cè)模型的訓(xùn)練更加高效。實(shí)驗(yàn)結(jié)果表明,所提出的模型和訓(xùn)練方法能夠提高多尺度遙感圖像目標(biāo)的召回率與檢測(cè)精度,且具備較高的訓(xùn)練效率。