随着空间技术的发展,高分辨率遥感在资源勘探、城市建设、国防安全等领域发挥的作用越来越明显,针对遥感影像的目标检测技术是计算机视觉和遥感数据应用的一个重要研究方向。飞机作为遥感影像中的一类典型目标,研究如何对其快速准确地检测识别在军事领域中实现信息获取和精确打击具有重要意义。由于遥感平台对地观测时位于目标上方,与目标距离较远,影像多呈现出成像范围大、目标占比小、目标任意方向排列、背景复杂等特点,增加了目标检测的难度;而且许多型号的飞机在外观、纹理等视觉特征上的相似性较大,给实现高精度的飞机型号细粒度识别带来挑战。卷积神经网络具有强大的特征学习能力,在目标检测、图像分类和语义分割任务中表现优异,本文基于卷积神经网络对遥感影像飞机目标检测领域的难点问题开展了深入的研究,主要工作如下:1.针对遥感影像中背景干扰、目标尺寸偏小和密集排列导致飞机目标特征不明显、容易漏检误检的问题,构建了一种基于优化特征提取的飞机目标检测模型。该模型改进YOLOv5的特征融合方式,采用多特征层加权融合的方法对不同尺度特征进行重组优化,通过扩大融合特征的尺度范围提升小目标检测能力;并引入Coordinate注意力机制,对特征通道间的关系和特征空间的位置信息进行有效捕捉,一定程度上降低背景信息的干扰,进一步增强目标特征信息。在DIOR、RSOD和LEVIR联合数据集上的对比实验结果表明,该模型可以有效降低复杂背景干扰,明显提升密集小飞机的检测效果,检测性能更加优越。2.针对遥感影像中目标任意方向排列和多尺度的问题,构建联合YOLOv5与旋转框的飞机目标检测模型。在YOLOv5输出层增加一个基于分类的角度预测回归模块,并设计纵横比感知权重函数,以解决类正方形目标引起的角度损失突变问题;采用加权双向特征融合结构实现简单快速的多尺度特征融合和多尺度目标预测。实验结果表明,纵横比感知权重函数对于飞机、储油罐、环形路口等类正方形目标的精度提升有比较明显的效果,该算法在DOTA数据集上的精度达到了77.68%,相比于其他先进算法具有更优异的表现。3.针对不同型号飞机间相似性和同一型号间多样性导致目标检测网络难以准确分类的问题,提出一种基于多网络级联的飞机目标旋转检测与细粒度识别框架。该方法把细粒度检测任务拆分成两部分,使用旋转检测网络来捕捉飞机准确的方位,在此基础上级联一个简单有效的机型识别网络对目标切片实现更精确的二次分类,针对细粒度识别问题,利用集成学习和Fisher正则化损失函数改进分类网络来减少类内差异,扩大类间差异,实验结果表明,级联网络的精度和泛化性能更好。最后制作可用于飞机目标检测和细粒度识别的光学卫星遥感数据集,使用旋转框的标注方式,包含7大类13个型号的不同飞机。