传感器制造领域的不断进步大大促进了现代遥感技术的快速发展,随之带来的是遥感图像在质和量两方面的巨大提升,面对海量的遥感图像数据,研究如何快速准确地提取其中的有效信息并加以利用,有着重要的应用价值。遥感图像目标检测是遥感图像应用的重要方向之一,通过对目标地物的精确检测可以进一步实现对遥感图像的自动化判读和解译。飞机作为一种特殊的战略目标,由其入手对遥感图像目标检测问题展开研究具有一定的实际意义。鉴于近年来深度学习算法在自然图像目标检测任务中表现优异,检测精度显著优于人工设计特征的传统算法,本文将重点研究基于卷积神经网络的目标检测算法。根据不同的现实需求,本文从多尺度感受野融合的思路出发,分别对两种不同流派的检测算法进行改进,提出适用于遥感图像的飞机目标检测模型。主要研究工作如下:(1)提出基于多分支RPN的高精度飞机检测模型。以典型的两阶段式目标检测算法Faster R-CNN为基础,从三个方面对网络模型进行改进以实现高精度的飞机检测:一是将主干网络替换为ResNet来增加网络深度,强化特征表达能力,通过多层级特征融合以获取不同层次的特征信息,提升对于小目标的检测性能;二是扩展预设框的尺度范围,提升飞机目标被检测框选中的概率;三是设计多分支RPN结构,通过融合不同大小的卷积核分支来扩展RPN的感受野,增强网络对不同尺度变化的适应能力。改进算法在自建数据集上准确率达到99.55%,召回率达到98.26%,在公开数据集上检测准确率与召回率也均高于同类方法和传统方法。实验结果证明改进后的方法对于检测精度的提升效果明显。(2)提出基于多分支可变形卷积的高性能飞机检测模型。两阶段式检测方法耗时较长,适用于对精度要求较高的离线计算场景,不适合对实时性要求较高的应用场景。选择以处理速度较快的单阶段式检测方法SSD为基础,并附加轻量化的特征模块进行改进以实现对飞机目标的高性能检测。一方面通过使用多分支感受野模块来融合多个分辨率的感受野,增加网络对于飞机目标尺度变化的鲁棒性;另一方面在多分支感受野模块各分支的膨胀卷积层后连接可变形卷积层,使卷积运算不再是规则的等间距采样,而是根据飞机目标的尺度和形状自适应地调整卷积采样位置的空间分布,提高网络的检测性能。改进算法在自建数据集和公开数据集上的检测精度可与两阶段式检测算法相媲美,与此同时检测单幅图像仅需33ms。实验结果证明改进算法在基本不影响轻量级模型速度优势的同时显著提高了检测精度,在一定程度上满足了实时检测的需要。