基于深度学习的遥感目标检测算法参数冗余、计算量大、实时性差。针对上述问题，提出了一种基于深度分离卷积的实时遥感目标检测算法。首先，通过K－means＋＋算法对数据集进行锚框（Anchor）聚类分析，使锚架参数更符合遥感探测场景。为了减少模型参数的数量，提高检测速度，采用轻量级网络moblienetv3作为骨干网络进行特征提取。此外，基于深度可分离卷积的路径聚合网络结构的设计进一步减少了网络参数的数量。改进后的模型参数仅为原模型的18.3%，检测速度提高了2.19倍。在UCAS、AOD、RSOD和DIOR三个遥感数据集上的实验结果表明，该算法具有较强的鲁棒性，能有效提高检测的实时性，同时保证模型检测的准确性。