摘要：现今主流遥感图像目标检测算法依赖于深度学习技术的发展。在模型训练时,对训练集数据进行增广处理是增强模型泛化能力的重要方法。当前遥感图像目标检测算法的图像增广方法主要沿用通用的目标检测增广方法,亟需发展针对遥感目标特点的增广方法。本文提出基于遥感图像的相似目标替换增广方法,设计了相似目标替换的增广流程,即通过建立样本库、划分相似类、查询相似样本及替换样本预处理等步骤对数据集中的目标进行相似目标分类。首先,建立所有训练集样本的样本库,统计样本类别信息;其次,对训练集中的目标类别划分相似类;然后,针对数据集中样本数量不均衡的问题,设计了少数样本补偿机制,通过控制采样样本的概率平衡样本数据的训练比例;最后,设计了替换样本预处理机制,针对不同目标类别的特点,使用适宜的变换方法作为样本预处理方法。在DOTA数据集上的实验表明,使用相似目标替换增广算法的DCL检测算法检测结果的mAP值相较于baseline提高了1.34,模型对相似类别的预测准确率上升,对样本数量较少类别的目标检测能力得到提高。