从遥感影像中自动识别飞机是遥感目标检测领域中的重要任务之一,早期由于遥感影像分辨率的限制,从影像上获取目标信息的难度较大且准确率低。随着遥感技术的进步,卫星影像的分辨率可达亚米级,从遥感影像上获取更多、更准确的目标信息已逐渐成为现实。一方面,由于复杂场景的干扰和飞机形状的多样性,以往的目标检测在面对复杂密集目标时飞机的漏检率较高。并且缺乏对飞机和机场两种不同空间尺度目标之间的关联性研究,导致检测效率低且虚警率较高。另一方面,由于飞机检测是飞机型号识别的基础,在飞机高精度检测仍有较大不足的背景下,飞机型号识别也具有较大的局限性。具体表现在型号识别的准确率低,以及能够识别的型号种类非常有限。因此,为了更好地对遥感影像中飞机目标进行检测和型号识别,以优于2米分辨率的高分辨率遥感影像为研究对象,分别提出了以下方法进行飞机检测和型号识别:针对飞机检测提出了一种双阶段检测框架,此框架根据由粗到精的思路先后实现机场及机场内飞机目标的检测:首先,由于Mask R-CNN网络具有稳定的检测效果,并且迁移学习能够降低网络训练与调优的难度,故将Mask R-CNN网络作为机场和飞机检测网络进行迁移训练。在降采样影像中利用第一次迁移的网络搜索机场区域,实现对目标区域的锁定。其次,针对机场区域,利用第二次迁移的网络对其中的飞机目标进行检测;在测试数据集中,机场和飞机分别获得95%以上和90%以上的平均准确率。通过相关的评估和分析,确定所提方法可以提高遥感影像检测飞机目标的效率和精度:通过第一阶段的筛选功能可以排除不存在机场目标的影像、去除存在机场目标的影像中的非机场区域,在第二阶段检测飞机目标时,有效避免了在非机场区域产生的误检,并且大大减少了所处理影像的数目,因此提高了准确率和效率。针对遥感影像中飞机目标型号识别,提出一种联合目标检测与分割和关键点检测的飞机型号识别方法。该方法有机地结合深度神经网络与条件随机场算法,以及模板匹配算法,对飞机的细粒度检测结果进行再处理和利用,实现飞机型号的高精度识别。首先,利用Mask R-CNN网络可以实现多任务输出、可以和前述飞机检测结合起来的优势,将其作为飞机目标细粒度信息的检测方法,实现飞机掩膜提取与关键点检测。其次,为了便于后期高精度模板匹配,利用条件随机场算法CRF对飞机的分割掩膜进行精化、以及利用关键点进行姿态调整;最后,在本文构建的11种型号飞机的模板库基础上,将经过精化后处理的飞机掩膜信息与模板库进行比对,根据匹配程度确定飞机型号。结果表明,与现有方法相比在性能与精度方面都有较显著提升:本文方法能够对11种型号的飞机进行稳定的型号识别,多于现有方法的5-10种,在测试集中的平均识别准确率达到89%,其中10种类型的飞机型号识别准确率均能达到85%以上。相比于完全端到端的深度神经网络进行型号识别相比,本文方法灵活性更大、同时具有更高的识别精度。综上所述,本文围绕高分辨率影像中的飞机检测和型号识别任务,以双阶段检测思路实现由粗到精的机场及飞机检测,以多任务的深度神经网络获取飞机目标的分割掩膜和关键点两种细粒度信息,再对细粒度信息进行处理实现飞机型号确认。通过以上方法实现了对飞机目标的稳定检测和高精度型号识别,本文的检测思路对于其他类似的目标,如海面上舰船目标、重点军事设施等的监测具有借鉴意义。