可见光遥感影像中飞机目标的检测在军事侦察、航空监控等方面具有重要的意义，遥感影像背景环境一般比较复杂，且飞机目标类别多样、尺度变化大，增加了目标检测的难度；飞机的细粒度识别体现在型号识别上，对军事领域中的信息获取与精准打击具有重要意义，但是许多型号的飞机在外形、纹理等基本特征上相似性较大，给高精度的细粒度识别带来了巨大的挑战。基于深度学习的方法具有强大的特征学习能力，在目标检测与识别任务中表现优异。目前，针对遥感影像中的飞机目标检测与细粒度识别的相关研究还相对较少，论文基于深度学习方法对该领域的难点与问题进行了深入的研究，主要工作如下：
　　阐述了研究背景与意义，总结了当前遥感影像飞机检测与细粒度识别的研究现状，介绍了卷积神经网络和目标检测识别相关的理论与技术。
　　创建了首个可用于飞机目标检测与细粒度识别的遥感数据集，并提出了三维模型仿真的数据增强方法。经过对飞机尺寸统计分析之后，针对目标尺度变化大和小尺度目标多的问题，提出了一种改进YOLT的目标检测方法。YOLT是首个专注于遥感影像目标检测的轻型算法，论文改进了其网络结构，以感受野提升为出发点设计了新的特征融合方法，采用了优化的非极大值抑制策略。实验表明，相较于其它主流目标检测算法，该方法有更优异的性能表现，尤其在小目标和跨尺度样本上具有更好的检测效果。
　　针对飞机目标类内差异大类间差异小、准确分类困难的问题，论文利用飞机类别标签的结构关系，采用层次化网络结构设计，提出了一种基于注意力机制的飞机细粒度识别方法。首先，类别注意力和密集连接两个子网络学习7大类别的通道注意力并且传递特征、扩充通道，来辅助学习21个小类别的特征；然后，利用空间注意力定位判别性区域；最后，引入非局部运算更好地结合上下文信息，增强判别能力。论文从对比实验和消融实验两个角度，证明了该方法的有效性。
　　针对在遥感背景下目标检测与识别任务的实际应用问题，论文提出了一种端到端的飞机目标检测与细粒度识别框架，能够以端到端推理与优化的方式准确快速地实现飞机的检测与识别。该框架主体网络的设计采用了前部分提出的检测与细粒度识别方法的某些思想，提升目标检测与识别的精度。针对密集排列目标容易出现误检和漏检的问题，提出了局部再检测机制进一步提升模型性能。针对深度网络计算量大、影响模型实时性的问题，引入了深度分离卷积优化网络。采用了基于迁移学习的权重映射方法，解决某些情况下样本数据获取困难的问题，且对飞机的检测与细粒度识别起到了辅助作用。实验表明，提出的端到端框架在飞机目标检测和细粒度识别任务中表现出了良好的鲁棒性、通用性与高效性。