遥感技术与深度学习日趋成熟,海量的高分辨率遥感图像成为了天气预警与军事侦察等领域中不可替代的原始资料。遥感图像涵盖多种目标,其中飞机目标在军事与民用应用中扮演着重要角色。能否准确及时地检测与分割飞机目标是衡量相关算法性能的重要因素。遥感图像的场景多样、背景复杂、飞机目标的尺寸分布广、小尺寸目标较多并且排列紧密。由于遥感图像与自然图像之间存在的差异,使得深度学习算法在遥感图像中的检测效果仍存在改善空间。本文基于深度学习中的卷积神经网络,通过针对性的改进策略来改善模型提取特征的能力。本文以Mask R-CNN（Mask Region-based Convolution NeuralNetwork）为基准模型,以ResNet-50（ResidualNetwork）为主干网络,并在主流并且公开的遥感图像数据集的基础上建立了自制遥感图像飞机掩模数据集。本文结合空洞卷积,从改进的自校准卷积以及AS模块两个方面来对模型进行改进。本文在自校准卷积的基础上,增强自校准力度,扩大卷积核的视野,弥补缺失的边缘信息。实验中将改进的自校准卷积添加到特征金字塔网络的后端,改善输出的各级特征图,提高模型对于遥感图像飞机目标的特征提取能力。本文应用了3层空洞卷积来改善上采样后特征图出现的棋盘效应,进而提高Mask R-CNN实例分割的精度。实验是在自制的遥感图像飞机掩模数据集上进行的,结果表明提出的改进算法相较于Mask R-CNN有更好的检测效果,平均精度AP50（Average Precision）与mIoU（mean Intersection over Union）分别提高了2.1%与1.0%。本文将改进的自校准卷积与非对称卷积相结合,提出了AS模块,来提高模型对于图像翻转的鲁棒性,并使背景与前景之间的差异更显著。本文在Mask R-CNN的基础上添加AS模块来进行实验,结果表明提出的改进算法相较于Mask R-CNN能够提取出更为丰富的特征信息,AP50与F1分数分别提高了4.0%与1.8%。尤其对于小目标,改进模型的AP50值提高了6.9%。本文通过对实验数据与检测结果图的分析可知,改进策略能够增强模型对于尺寸小且排列紧密目标的特征提取能力,较大幅度提高了网络的综合能力。最后,本文针对图像峰值信噪比以及锚框生成策略对于模型检测效果的影响进行了实验。