近几年卫星摄影和航拍摄影以及遥感技术已经日趋成熟,人们借助卫星、飞机、无人机等工具都可以获取高清且稳定的地面视觉影像。然而,由于对空域图像中的目标进行检测的难度较大,而空域图像中所包含的信息又具有很大的挖掘价值,因此高清空域图像目标检测技术便具有较大的研究价值。而在计算机视觉方面,图像中的目标检测技术已经被研究多年并取得了显著的成果。近年来,随着深度学习的快速发展以及卷积神经网络的不断完善,计算机视觉的发展已经达到了新的高峰。同时目标检测作为计算机视觉领域的重要应用之一,一直是研究的重点,而卷积神经网络在物体检测方面也取得了长足的进步。本文首先对高清的空域图像目标检测领域及相关技术进行调研,然后针对空域图像目标检测的任务,分别使用现在流行的R-CNN、Fast R-CNN和Faster R-CNN三种网络框架完成目标检测的任务,实现较好的目标检测与识别的效果,并以此实验结果和数据作为标准与之后进行的实验进行比对。然后针对空域图像目标检测中存在的一系列难点,比如目标角度变化范围太大、图像大部分分辨率都较高导致对检测速度要求过高、图像分辨率不够高时目标会显得非常模糊、目标形态和图像背景多变等问题,本文采用全卷积网络(R-FCN)构建空域图像目标检测框架,并对其进行优化,以克服空域图像目标检测中存在的难点。最后本文在全卷积网络的基础上,通过适应和组合最新的创新技术,在多类别对象检测任务中实现最先进的高精度检测,同时最大限度地减少计算成本,得到PVANet,然后基于PVANet构建空域图像目标检测框架,并在UberNet的基础上对PVANet进行的优化,通过实验证明经过优化改进的PVANet相比全卷积网络框架,在空域图像目标检测任务中检测与识别的效果和速度都有了进一步的提升。