科技的进步使得在提高遥感影像分辨率方面有了重大的突破,高分辨率影像内部蕴含了大量的特征信息,尤其是在遥感领域研究中,需要重点分析影像中地物目标的空间结构和浅层的纹理特性,为提取出更加精细的地物边缘特征奠定基础。遥感图像目标检测是高分辨率遥感影像应用的主要范畴之一。飞机作为民用生活和军事作战中的一种关键目标,对其检测具有一定的理论意义和实用价值。本文首先采用深层卷积神经网络来提取高分辨率影像特征信息,根据地物特征的差异性进行场景分类。然后针对目前遥感影像中飞机检测结果不佳的问题,提出一种基于深度卷积神经网络的飞机检测方法,最终进行实验测试,完成机场场景下的飞机检测任务,并有效地改善了检测结果。主要工作内容及成果如下:第一,遥感影像场景识别分类。利用卷积神经网络良好的分类能力以及迁移学习的优势,提出了一种基于Inception-v4网络的PISC方法用以识别高分辨率遥感影像中的各类场景,从而得到机场场景。首先通过深度卷积神经网络Inception-v4在Image Net上训练,得到预训练模型以及相应的初始化参数,由此可以在很大程度上减少了训练时间的耗费,也能避免出现过拟合现象带来的分类准确率低等问题;随后将小样本遥感数据按比例划分注入预训练模型当中,根据样本集合特征,不断调整网络参数以便获得最佳识别分类模型。最后将本文的方法与目前其他的几个场景分类方法进行实验对比,实验测得该方法在UC Merced Land Use影像数据集上达到97.92%的准确率,有效增加高分影像场景识别精度。第二,机场场景下的飞机检测。在获得机场场景目标区域情况下,引入目标检测模型后进行机场场景下的飞机检测。针对Yolov3检测时出现的F1-score和召回率等评价指标不佳的问题,提出一种改进Yolov3的遥感影像飞机检测方法。将Inception模块引入到Yolov3网络结构中,提高Precision和m AP值,改善目标检测效果,随后通过使用K-means算法对数据集进行聚类分析,在预训练模型中调整网络参数并提高输入图像分辨率,采用多尺度训练方式获得最佳飞机检测模型。在RSOD-Dataset中的遥感飞机数据集上进行训练实验,结果显示,本文提出的Inc-Yolov3算法在遥感飞机检测中精度、Recall、F1-score、交并比以及m AP等各项指标均有所提高。该方法可以运用实施到其他地物的检测中,具有一定的实用性和推广价值。本文从影像场景分类中得到机场场景,再从机场场景中检测出飞机目标,完成了一个完整的飞机目标检测工作,是飞机检测算法进入实际应用的一个重要步骤。