随着高分辨率遥感影像获取技术的发展,大量包含丰富地物信息的高分辨率遥感影像有待解译,传统的目标检测方法已经无法满足当前所需要的检测效率。近年来,深度学习目标检测方法在图像领域取得了突破性进展,将深度学习目标检测方法应用于高分辨率遥感影像检测任务成为当前的研究热点。现有的深度学习目标检测方法多基于计算机视觉领域的通用数据集进行训练和测试,通用数据集以现实生活照片为主,目标物体体积较大并且同一张影像图中存在多个目标种类。而本文研究的机场区域高分辨率遥感影像具有目标物体体积小、数量多、种类和形态单一的特点,对于目标检测模型的检测精度要求更高。因此,现有的深度学习目标检测方法无法满足检测需求。本文根据高分辨率遥感影像的特点,以机场为检测场景,飞机为检测目标,设计出一个深度学习飞机目标检测网络框架,用于机场高分辨率遥感影像的目标检测任务。本文提出的深度学习飞机目标检测网络框架分为提取特征图、生成候选框、池化候选区域、目标判别与检测框回归四个主要部分。针对不同的检测场景,通过为深度学习飞机目标检测网络框架设计不同的网络结构和超参数,分别使用飞机数据集和机场数据集训练出飞机检测模型和机场检测模型。飞机检测模型的网络结构较浅,以本文提出的DGG网络和UGG网络提取图像特征,用于验证该模型相比于现存深度学习目标检测模型在高分辨率遥感影像中的检测优势;机场检测模型以网络结构更深的Inception-Resnet-v2网络和Resnet-101网络提取图像特征,用于验证该模型对大规模机场区域的目标检测效果,并用评价指标进行客观评估。实验结果表明,本文提出的深度学习飞机目标检测网络框架能够成功应用于高分辨率遥感影像的目标检测任务,飞机检测模型较现存的深度学习目标检测模型在检测范围和检测精度上均有大幅提升。机场检测模型能够准确而全面的检测出大范围机场区域内的飞机目标,最优分数值为0.9763。本文模型具有较强的鲁棒性,能够适用于0.5m和2m分辨率的全色遥感影像和多光谱彩色遥感影像。此外,本文模型对于图像呈像范围内特征不完整的飞机目标有良好的检测效果。