随着遥感相关技术的迅猛发展,高分辨率遥感图像的采集,为我们提供了海量的遥感信息,其中不乏大量的飞行器目标。飞行器目标在结构形态上大致相似,在局部部位上却千差万别,想要将形形色色不同种类的飞行器目标区分开不仅对于人类很难,对于人工智能模型更是难上加难。因此,将遥感图像中的飞行器目标在细粒度上进行分类,对机场的管理、航线监控、飞行器目标甄别都起着重要作用。由此,本文针对细粒度数据集进行增广,对模型进行混淆分析,并提出基于卷积神经网络的关键点预测技术,基于关键点提取局部区域,利用部位全连接层学习局部区域特征,从而提升遥感图像中飞行器目标细粒度分类的识别。首先,本文针对细粒度数据集数据量少、标注代价高等问题,提出了基于特征关键点的数据增广方法。通过寻找对分类器起决定性作用的区域针对性的进行增广,减缓过拟合问题,在多个细粒度数据集上提高了分类精准度,其中在飞行器细粒度数据集上提升了 8.47%。对于模型易混淆类别,我们分别使用混淆图、Grad-CAM、Part-Grad-CAM方法在类别层面、目标个体层面、目标部位层面由粗到细的进行混淆原因的分析。关键部位的特征对细粒度分类起着决定性作用。本文提出基于深度卷积神经网络的关键点预测模型,对关键点进行预测,从而为关键部位的获取提供基础。在进行关键点预测时,本文通过迁移学习进行关键点预测,设计特定的分类器与损失函数。实验表明,基于深度卷积神经网络的关键点预测模型能较好的拟合关键点,较为准确地预测关键点。最后,本文提出了基于关键点特征融合的细粒度分类算法。针对传统模型中没有中级语义特征的不足,本文提出了基于部位全连接的特征融合算法。该方法在传统卷积神经网络中加入部位全连接层与联合全连接层,衔接低级图像特征与高级整体信息,通过学习特定部位特征弥补中级语义特征的空白,并根据分类效果及时调整各部位特征的重要性。本文还将关键点预测方法与该方法结合起来形成一个三阶段的针对飞行器目标的基于关键点特征融合的细粒度分类方法的整体流程。实验表明,该方法在飞行器细粒度数据集上较传统分类模型提高了将近16个百分点。