近几年来，随着遥感图像技术的发展与进步，利用卫星高分辨率遥感图像获取飞机相关信息已成为监测机场动态的常用手段之一，而机场遥感图像中的飞机检测在获取飞机信息的过程中发挥了重要的作用。目前对于遥感图像中的飞机检测研究基本还停留在低尺度领域，大多集中于飞机检测算法本身，针对在大幅面遥感图像中的飞机检测没有较好的解决方案。如今在面对此类问题时，往往只是简单地通过图像分割来完成从大幅面到低尺度的转换，从而可以使用各类飞机检测算法。该方法一方面有着大量的冗余计算，拖累了飞机检测的速度和精确度;另一方面还需要面对由于图像切割所带来的部分目标漏检的问题。　　本文以大量遥感图像数据为基础，运用深度学习、卷积神经网络、目标检测等方法，提出了一种两步走的大幅面机场遥感图像飞机检测的方案:第一步，在区域生成网络（Region Proposal Networks）的结构基础上，构建了区域定位网络，用于解决飞机聚集区域快速定位的问题;第二步，使用基于Faster R-CNN的目标检测算法，对各个区域的飞机进行检测。在已有的数百张高分辨率机场遥感图像标注数据基础上，使用了基于多阈值层次聚类的算法，解决了区域定位网络的训练数据的问题，避免了再次人工标注数据的麻烦。在VGG16卷积神经网络的基础上，得到了用于定位飞机聚集区域的区域定位网络，可以快速对相应区域进行定位。在Faster R-CNN目标检测算法基础上，对其中的锚区参数进行改动，在保证运算效率的前提下提升了对图像中飞机定位的精确度。通过基于加权平均的方法，解决了各个定位区域中重合飞机的合并问题。其中主要的创新点为提出的两步走检测方法，以及使用多阈值层次聚类算法处理区域定位网络的训练数据两部分。　　实验结果表明，与通用的图像分割方法相比，基于区域定位网络的飞机检测方法基本实现了快速对机场遥感图像飞机检测的功能，在精确度、召回率和计算时间上均有一定的优势。基于区域定位网络的检测方法验证了两步走检测方案的可行性与便捷性，为之后类似目标如舰船、油罐等的目标检测提供了解决思路。