在过去的10多年里,遥感技术得到了快速的发展,伴随而来的是爆发式增长的遥感数据。遥感图像不同于自然图像,它具有覆盖范围广,包含信息丰富,观察周期短等特点。当前,如何高效的利用这些遥感数据,如何快速对遥感数据进行分析并提取有用信息成为阻碍遥感技术应用的首要瓶颈问题。尤其是进入21世纪以后,这一研究领域得到了越来越多的科学研究工作者的关注。目标检测是遥感领域中一个极具重要性和挑战性的研究课题,它对于自然资源勘查,自然灾害监督,军事目标定位等等都具有重大深远的意义。在战争信息瞬息万变的今天,遥感技术成为获取情报的一个重要途径,谁能够快速而高效的获取实时的遥感图像信息,谁便把握住了战争胜利的先机,这对于战争的结果有时是决定性的。随着科学研究工作的不断深入,越来越多的目标检测方法被提出来。比如,Bo和Xu等人提出将基于光谱结构的方法应用到遥感图像中飞行器目标检测领域,Zhang等人提出了一种扩展的部分可变性型模型(DPM)用以检测遥感图像中的目标物体。但是由于遥感图像内容复杂多变,这些人工设计的浅层特征并不具备足够的特征表达能力,因此上述这些方法往往只能够应用在简单的遥感场景下。面对内容复杂,信息包含丰富的应用场景,仍然存在很多挑战性问题,需要我们不断探索。本文针对高分辨率遥感图像中的飞行器目标检测问题,提出了多个不同的系统检测框架。首先我们基于传统的SIFT特征并结合字袋模型(bag-of-words)的思想,提出了基于传统字袋模型的飞行器目标检测框架,并测试了其在实际场景中的检测性能。之后,我们又分别提出了基于深度卷积神经网络的飞行器目标检测框架和基于级联式多卷积神经网络架构的飞行器目标检测框架,并分别测试了这两种飞行器检测系统在实际遥感场景中的检测性能。