随着高分辨率卫星技术的发展,高分辨率遥感卫星图像的获取和处理技术有了高速的发展。飞机目标作为遥感卫星图像中一种重要的地物目标,对其快速检测和识别,能准确获取飞机数量、起降情况、位置分布等信息,无论是在国防军事还是国民生产中均有着重要的应用价值。传统飞机目标检测算法主要以模板匹配与机器学习为主。其中模板匹配虽然简单快速且易于实现,但对飞机目标的比例、旋转、视角变换等等都有着严格要求,因此在复杂多变的机场环境下的飞机检测任务效果不佳。传统机器学习方法虽然准确率更高,但是其算法针对性更强,其特征设计需要较强的专业知识,设计一个适用于大多场景下的飞机特征较为困难,且模型相对固化,泛化能力不强。随着深度学习尤其是卷积神经网络在图像处理领域中取得的巨大突破,基于深度学习的高分辨率遥感卫星图像目标检测技术研究成为了当下热点。虽然目前有大量学者对其进行了研究,但其仍然存在着诸多问题未能解决,尤其是小目标问题,目前已知的大多数目标检测算法甚至完全无法检测出高分辨率遥感卫星图像中的超小飞机目标。因此,本文将主要针对高分辨率遥感卫星图像中的超小飞机目标构建检测模型。首先为满足实验的泛化能力,本文构建了一组包含多种复杂场景且分辨率大小不等的遥感飞机数据集。其次针对数据集中飞机目标真实框大小、长宽比例、旋转方向等的不同,提出了一种基于中均值混合的先验框聚类算法初始化先验框,防止先验框的不合理设置对模型性能的影响。然后为保证模型检测效果,本文将在目前最顶尖目标检测模型YOLOv4（You Only Look Once version 4）的基础上引入自适应图像缩放方式,在不改变图像信息的基础上缩小图像宽度,进一步提高模型预测阶段检测速度。最后为检测出高分辨遥感飞机图像中的超小飞机目标,本文提出一种基于图像裁剪融合的处理方式,减小了预处理部分图像压缩产生的信息丢失风险,同时变相提升了飞机目标尺寸,提高了超小飞机目标的检出率。实验结果表明,首先本文提出的基于中均值混合的先验框聚类算法能有效提高初始化后的先验框与同类所有真实框之间的平均交并比,间接提高模型检测精度;其次本文提出的基于图像裁剪融合的处理方式,能有效提高遥感飞机图像中的小目标飞机检出率,尤其是超小飞机目标检出率;最后在YOLOv4的基础上引入自适应图像缩放方式,能在不降低模型检测精度的基础上进一步提高模型检测速度。