近年来,飞机已成为主要的交通工具之一。在役的飞机由于长时间飞行,其表面蒙皮会受到各种外部因素的影响而出现多种类型的损伤,这些飞机表面蒙皮的损伤对飞行安全造成了巨大的威胁,及时地发现这些损伤具有重要意义。目前常用的目视伤痕检测方法,检修效率低,人工工作量较大,采用自动化的伤痕检测算法,能够在一定程度上提高检修效率。伤痕检测在计算机视觉领域属于目标检测问题。传统的目标检测算法通常采用人工设计的特征,但对于不同场景或应用,人工设计的特征较多地依赖人的经验,特征表达和泛化能力相对较低,分类或检测性能不足。近年来,基于深度学习的目标检测算法获得了广泛关注,并在诸多领域获得了广泛引用。针对飞机表面蒙皮伤痕检测问题,本文通过实验分析伤痕检测准确率较低的原因并进行相应改进,主要研究内容包括:针对预测检测框定位准确度与其置信度相关性较低的问题,本文设计预测检测框定位准确度的分支网络与双阶段坐标回归分支结构,根据定位准确度预测分支的预测值与坐标回归分支在第一阶段预测的坐标概率分布,对检测框分类置信度进行重新计算。所设计的分支结构能够降低坐标回归的难度,使得检测框根据置信度的排序更加准确,从而保留与真实框重合度更高的检测框,提升检测框定位准确度。针对回归损失函数部分作用域梯度不变与回归分支正负样本不均衡的问题,本文设计了梯度自适应回归损失函数和均衡回归分支正负样本的损失函数,加速模型训练过程收敛,增强定位准确度高的样本框在分支训练中的权重,提升检测准确度。并且为了进一步提高目标检测基础网络的特征表达能力,本文设计多维度通道注意力模块,以增强模型特征图中包含的位置信息提高算法的检测准确度。本文所提出的算法在飞机伤痕数据集上进行了测试,实验结果表明,本文设计的模型能够增强检测框定位准确度,在飞机伤痕图像上提高了伤痕检测的准确率,mAP达到55.02%,相比于ATSS算法提升了 1.67%。