随着航空航天工业的发展和观测技术的进步,航空遥感图像在军事和民用领域的作用越来越重要。航空遥感图像的特点是视角广,目标多,而且背景复杂。与此同时,在航空遥感图像的众多目标中,飞机和船舶是较为重要的两个。本文的目标检测研究工作就是基于这两种目标来开展的。本文基于DOTA数据集制作了数据集MyPlane和MyShip用于网络模型的训练和检测。飞机和船舶在航空遥感图像中都是弱小目标,对目标检测工作带来难度和挑战。仅仅依靠人工判读或传统目标检测技术获得的数据处理结果缺乏准确性与时效性,复杂背景下弱小目标检测仍然存在精度低速度慢的问题。为了解决这些问题,本文从增加检测尺度、合理设定锚框参数以及损失函数中增加L2正则化约束三个方面,对YOLOv3网络模型进行改进优化提出了改进网络模型。首先,在YOLOv3现有的3个检测尺度上增加104*104检测尺度,以此用来增强网络对弱小目标的敏感度和检测能力。接着,运用K-means聚类算法分别对两个航空遥感数据集进行聚类运算,通过聚类结果分析从而在改进模型中设置了合理的锚框数量和锚框尺寸,以此来增强网络模型对飞机目标或船舶目标的检测能力。最后,本文改进模型的整体损失函数在YOLOv3的基础上增加了 L2正则化约束,可以避免过拟合情况出现。最后,本文完成了 Faster R-CNN+Resnet101、Faster R-CNN+VGG16、YOLOv3 以及本文改进模型在MyPlane数据集和MyShip数据集上的训练和检测工作,并对实验结果进行分析。本文提出的基于YOLOv3改进模型在两个数据集上表现优秀。在MyPlane数据集上,改进模型比YOLOv3的精准率提升了 2.43%,召回率提升了 1.08%,精度均值AP提升了 2.69%。在MyShip数据集上,改进模型比YOLOv3的精准率提升了 0.37%,召回率提升了 1.61%,精度均值AP提升了 1.81%。相比YOLOv3、Faster R-CNN+Resnet101以及Faster R-CNN+VGG16,无论从指标参数还是实际检测结果图,本文改进模型的网络综合能力得到了提升。同时,本文改进模型对弱小目标的检测敏感度得到大幅度增强。