本综述以深度学习为出发点，研究了光学遥感图像中的目标检测算法。
分析了光学遥感图像中目标的特点，包括尺度多样性、方向多样性、形状多样性、小尺寸、特征相似、背景复杂、分布密集和特征弱，并总结了光学遥感图像目标检测算法经历了从传统方法，包括模板匹配、先验知识和机器学习到基于深度学习算法的发展历程。
阐明了光学遥感图像目标检测的具体步骤，包括数据预处理、特征提取、生成Bounding Box和检测及后处理。
概述了经典的深度学习目标检测算法；重点针对光学遥感图像目标的特点总结了对应的改进算法；然后介绍了常用的光学遥感图像数据集以及评价指标并对一系列的算法进行性能比较。
针对目前仍然存在的问题，如光学遥感图像尺寸过大、目标类间相似性、深层语义信息的解释性较差、数据集标注困难、旋转框检测、精度和实时性平衡问题进行总结，并对未来的发展方向，如主干网络改进、轻量化网络研究、弱监督学习、小目标检测、旋转检测机制进行展望。
