随着电子计算机的普及,计算机视觉已经广泛应用于生活的各种领域。小到停车场的车牌识别,大到车辆或者飞机的自动驾驶,这些和我们日常生活中息息相关的事物无疑都充斥着计算机视觉的身影。自从深度学习问世以来,极大的带动了目标检测领域发展的脚步。本文针对当前飞机遥感图像目标检测算法的检测精度与检测速度不能兼顾的问题,提出了基于SSD（Single Shot MultiBox Detector）的飞机遥感图像目标检测算法。本文立足于SSD算法,结合飞机遥感图像自身的特殊性,对SSD算法在飞机遥感图像目标检测中遇到的三个主要问题提出了三种不同思路的改进方案。在本文制作的飞机遥感图像数据集上验证不同改进方案的可行性,最终证明改进后的算法更加适用于飞机遥感图像目标检测,具体改进方案如下。1.针对网络难以准确识别和定位出背景复杂且尺度多变的飞机目标的问题,本文提出了新型特征金字塔网络的飞机遥感图像目标检测算法。该算法相较于改进前主要体现在三个不同点,分别是①新型特征金字塔网络;②损失函数的替换;③特征提取网络的改进。改进后的优势体现在减少了目标漏检和误检的发生。2.针对极小尺寸目标难以被检测和不同尺度锚框匹配到飞机目标数量差距过大的问题,本文提出了正样本锚框数均衡化的飞机遥感图像目标检测算法。该算法相较于改进前主要体现在三个不同点,分别是①特征提取网络的改进;②锚框密集化;③锚框策略匹配。改进后的优势体现在可以平衡不同尺度的正样本锚框数量,使得网络不偏向某一尺度目标进行学习,对检测精度与鲁棒性的提高均有积极作用。3.针对网络浅层特征信息不完整和锚框尺寸与飞机目标尺寸不匹配的问题,本文提出了浅层特征融合与K-Means聚类的飞机遥感图像目标检测算法。该算法相较于改进前主要体现在三个不同点,分别是①SFE浅层特征增强模块;②使用K-Means聚类方法计算得到锚框的参数;③使用Soft-NMS替换NMS用以减少目标的漏检率。改进后的优势体现在提升了网络对小型飞机目标的检测精度,还加快了网络的收敛速度。本文提出的三种改进算法在本文制作的飞机遥感数据集上进行相关实验,精度均值分别为91.15%、91.88%和92.45%。实验结果表明,以上三种改进方法均可以较好的检测飞机遥感目标。