基于大规模数据的高分辨率影像目标检测算法研究,对于航空影像处理领域而言,是一个非常重要的研究方向。航空影像目标检测算法现在分为两种:传统算法和深度学习算法。传统的目标检测算法难以适用于大规模数据,该类算法通过人工设计的算子进行特征提取,其特征表达能力有限同时计算冗余耗时。人工设计的算子极其依赖于专业领域知识,而且很难从大规模数据中训练出一个有效的特征提取器,不能充分挖掘海量数据之间的联系。深度学习算法拥有高效的特征提取能力、强大的特征表达能力和学习优化能力,可以为图像中的目标特征提取算法研究提供有力的支撑。因此,针对航空图像检测问题,深度学习算法无论是在速度还是在精度上都有传统算法不可比拟的优势。本文将基于全卷积神经网络目标检测算法,对航空检测场景开展相关研究,主要研究内容如下。本文针对航空检测场景普遍存在的尺度不平衡问题提出启发式训练策略,该策略根据物体的标注先验信息生成新的训练样本,改变物体尺度的总体分布,从数据源头缓解了尺度不平衡问题。本文提出新的锚框聚类算法,该算法综合考虑样本与类中心的重叠程度和长宽比例一致程度。该算法和均匀设置锚框尺度相比,根据其结果所设置的锚框尺度可以获得更精准的结果。本文针对检测器的训练监督方式提出全局优化方法,利用全局分布的一致性损失优化网络参数,同时该方法具有较好的泛化能力。本文提出的启发式训练策略能够有效解决尺度不平衡问题,检测结果相对于算法的baseline提升了3.4%。本文提出的锚框聚类方法使检测算法性能提升,精度提升1%。本文提出的全局优化方法不但在航空场景数据集上对算法有提升,为验证其泛化能力,本文也在自然场景数据集中进行对比实验,该方法使一些经典的算法精度超过1%的提升。本文提出的检测算法性能取得74.2%的检测精度,和学术界其它算法相比非常具有竞争力,尤其在小尺度目标方面检测结果更为优异。