遥感图像中飞机目标的检测识别一直是遥感图像分析领域的研究热点，在军事和民用领域应用广泛。现有的检测识别法对于飞机密集区域或背景复杂区域存在识别精度较低，并且检测流程复杂等问题。针对遥感图像中的飞机标，能够有效检测并准确识别出型号仍然是个分具有挑战性的任务。本文以深度学习理论为基础，提出了基于深度卷积神经网络的遥感图像飞机目标检测识别方法。　　本文的主要工作以及创新点总结如下:　　1.提出了一种基于ResNet的遥感图像飞机目标多尺度检测方法。该方法针对现有检测方法中存在的特征提取方法复杂，检测流程繁琐，以及检测准确率较低的问题，提出了一种基于回归思想端到端的飞机目标检测网络。该检测网络以50层的残差网络(Residual Network，ResNet)作为基础网络提取特征，与传统检测方法中人工设计特征相比，可以获得更加丰富的特征信息，并且鲁棒性也更好。对于不同尺度飞机目标的检测，该方法采用基于特征金字塔网络结构的多尺度特征融合方法，在不同层次的特征层上分别做预测。特征金字塔网络结构同时利用低层特征丰富的内容信息，以及高层特征的高语义信息，可以有效地提高网络对于小目标的检测精度。为了更加精确地定位飞机目标，该检测方法还根据飞机的特征设计了默认候选框的长宽比，使得定位框与目标更加贴合。实验表明，该检测方法能够准确有效地检测出光学遥感图像中的飞机目标，目标检测率高达96.78％。　　2.提出了一种基于DenseNet的飞机目标识别方法。针对现有识别方法存在的识别率较低的问题，该识别方法通过引入密集连接卷积网络(Densely Connected Convolutional Networks，DenseNet)作为飞机目标识别系统的分类网络，提高了目标识别精度。DenseNet与其他分类网络相比具有明显优势，它解决了深度卷积神经网络容易出现的梯度消失问题，通过密集连接结构加强了特征信息的传递，实现了特征复用;并且网络的参数数量较少，可以有效地抑制过拟合。该识别方法首先利用基于ResNet的飞机目标检测模型获取飞机目标，之后通过训练好的DenseNet分类模型对飞机型号进行识别。为了解决飞机样本稀缺以及样本不均衡问题，该方法对数据集进行了扩充，并针对样本较少的飞机型号额外做了数据增强。实验证明，该飞机目标识别方法具有较高的识别精度，在测试集上的识别率高达95.57％。