随着航空探索技术和计算机视觉技术的不断进步,遥感图像飞机目标检测的应用越来越广泛,但随着光学遥感图像分辨率的逐渐提高,其复杂程度和图像规模也迅速增加。现今仍然存在以下几个难点:在遥感图像飞机目标检测中,遥感图像的尺寸较大,但其中的飞机既有尺寸较小的战斗机、教练机等,也有尺寸较大的预警机、加油机、客机等,飞机目标尺寸多样化;很多飞机目标的颜色与机场背景颜色较为接近,提取包含细节纹理的浅层语义信息就显得尤为重要;遥感影像的拉伸变形等都会对目标检测产生较大影响。由于以往传统算法需要较多的先验经验进行设计且适应性较差,故本文构建一种基于深度卷积神经网络的多尺度目标检测模型,改进遥感图像飞机目标检测的检测效果。主要工作如下:首先,针对以往算法在多尺度目标检测方面效果不够理想,且当目标与背景颜色较为接近时容易漏检等问题,本文对特征提取网络进行改进。在Resnet50+FPN结构的基础之上,利用DenseNet的思想,在原始特征提取网络的C1至C5层,以及P5至P2层增加特征融合的结构,使Resnet50中提取出来的浅层语义特征和高层语义特征在后面的网络中更加充分地被利用,以进一步增加多尺度目标检测的准确率。其次,由于遥感图像中不仅包含尺寸较大的大型客机,也有尺寸较小的军用飞机,MaskRcnn网络虽然可以实现语义分割,但在遥感图像中其语义分割效果并不好,为此本文将部分卷积替换成空洞卷积,再借助于多尺度特征融合的结构,以更好地完成语义分割任务。最后,因为遥感图像与自然图像具有很大的差异性,而MaskRcnn模型是针对自然图像提出的,它的锚点框设计更符合自然图像的特点,本文根据数据集所包含的飞机类型,针对不同飞机的尺度特征设计了一组更加适合遥感图像飞机检测的锚点框。将上述方法在AIRImage数据集上进行实验验证,当IoU阀值为0.5时,本文改进模型取得了95.8%的检测精度,相较以往常用的深度学习模型有更好的多尺度目标检测效果。且相较于原始的MaskRcnn网络,改进网络有更好的小物体目标以及变形物体检测效果,收敛速度更快,而且在遥感图像大目标的语义分割上,拥有更好的语义分割效果。