近几年来,民航机场跑道入侵、飞机危险接近事件频繁发生,事故发生后将导致人员伤亡和巨额资产损失,这也为机坪管制人员带来巨大的压力。而随着人工智能技术的不断成熟,深度学习图像处理这一有利工具能够实现实时监控和监测机场飞机的危险接近,避免飞机之间刮、蹭等不安全事件的发生。为了得到幅面宽、高分辨率的实验图像数据集,本文利用机场区域的图像进行拼接实验,将获取的同等幅面大小的图像进行拼接整合,实验最终得到幅面宽、分辨率高的图像数据集,即超高分辨率宽幅光学影像数据集。为了从超高分辨率宽幅光学影像数据集图像中快速实现感兴趣区域的大致定位与切割,本文采用传统识别手段对机场感兴趣区域进行快速的初步识别与定位。首先,本文实验利用二值化分析、图像形态学处理等手段识别图像中的机场区域。其次,对所定位到的机场即感兴趣区域进行图像切割,将机场区域与幅面较宽的背景图像分割开。最后,经过边缘检测、连通域筛选与截取等手段对切割后的机场图像进行跑道区域的识别定位。在机场和场内飞机的精确识别部分,本文基于深度学习理论,利用YOLO系列网络对自制的机场与飞机数据集进行模型训练,使用迁移网络对模型进行初始化参数设置。自制机场数据集使用YOLOv5中等网络大小进行训练,平均精度达到88%,F值达到0.86,误检率达到0.39,自制飞机数据集使用YOLOv4中等大小网络训练,平均精度达到91.65%,F值达到0.9,误检率为0.35。在层次化识别机场到场内飞机的整体实验中,超高分辨率机场图像经过机场初步定位与区域切割后的图像作为整体模型的输入图像,模型将输入的宽幅图像按照每800个像素进行图像分割后进行场内飞机的识别,最后将分割后的图像进行区域合并操作,实现层次化识别机场与场内飞机的操作,模型总体识别的准确度高,漏检率低。在保障民用航空器安全和人工智能的不断发展与普及的大背景下,本文针对宽幅光学影像中的机场和飞机目标检测进行了由大及小、由粗及细的识别研究,从而实现由机场的初定位至场面飞机目标精确识别的层次化提取监测,以期实现机场重点区域飞机的实时识别监测,为机场安全运行提供技术支撑,减轻机坪管制的负担。