飞机类型检测是遥感影像分析领域的研究热点，在机场监控和情报分析等应用中起着重要的作用。其中，深度学习方法作为遥感影像分析领域广泛应用的手段之一，在飞机类型检测任务中仍面临许多问题，如使用未公开的自制数据集、实验复现困难、无法验证泛化能力等。同时，光学遥感影像易受光照条件、云雨变化等因素影响，使检测任务更加困难。为了解决这些问题，本文首先利用MTARSI数据集对样本进行筛选，再结合Google Earth等开源方法收集飞机影像，采用随机旋转、改变亮度等方法构建新的飞机类型检测数据集。其次，采用YOLOv5作为基础网络框架，针对其多层卷积和池化操作可能会削弱或完全丢失飞机特征的问题，进行多尺度优化训练，有效检测飞机类型特征。最后，利用跨数据集验证模型的泛化能力。实验结果表明，本文方法能准确、有效地检测出光学遥感影像中的飞机的具体类型，具有较强的鲁棒性和泛化能力，跨数据集进行飞机类型检测正确率达到82.12%，可为智能化的飞机目标语义分析、星上应用等研究提供技术支撑。