随着现代遥感技术以及传感器技术的发展,遥感图像的数量与质量达到了质的飞跃。超高分辨率遥感图像的出现,给人们呈现出了更详细的结构信息以及纹理信息,目标检测作为图像处理的基本技术之一,对遥感信息的解译作出了突出贡献。飞机作为典型的遥感图像目标之一,在军事以及民用领域都有不可替代的作用,对飞机进行快速检测具有极大的应用价值。由于遥感图像飞机目标尺寸小,现有检测方法普遍存在召回率低、漏检现象严重的问题。因此,本文围绕遥感图像飞机目标展开研究,并以深度学习目标检测为基础,分别从检测精度以及检测速度的角度出发,提出适用于遥感图像飞机的检测算法。主要工作和创新点如下:（1）提出遥感图像多目标高精度飞机检测算法MOHA-YOLO。该算法以一阶段检测算法Yolov4为基础,针对遥感图像飞机目标的特点对其网络结构提出三点改进:首先,降低骨干特征提取网络的深度,减少小飞机目标在较深网络中信息丢失较多的问题;其次,设计了特征增强空间金字塔池化模块FESPP,使用多个具有不同空洞率大小的空洞卷积并联,有效融合局部信息与全局信息,增强信息适应能力;然后,在特征融合网络中引入残差连接,避免连续卷积造成的梯度消失以及网络退化问题;最后,针对飞机数据集样本较少的问题,对现有数据集采用离线与在线的方式增强及扩充,并使用K-means++聚类算法对飞机数据集的先验框进行聚类优化。实验结果表明MOHA-YOLO达到了96.07%的召回率以及98.42%的检测精度,相比Yolov4分别提升了3.5%和2.03%,但参数量有所增加,仅适用于追求高精度、具有较高计算资源的离线场景使用。（2）提出遥感图像飞机目标检测精度与速度最优平衡算法BB-YOLO。该算法以轻量级网络Yolov4-tiny为基础,针对网络结构简单、对飞机检测时召回率低的问题对Yolov4-tiny提出三点改进。首先设计轻量级的混合域注意力机制LMDA,并将其添加在骨干网中,使网络有效关注目标区域,增强特征表达能力;其次,使用加权双向特征融合机制进行特征融合,自适应学习特征的重要性,增强特征的利用率;最后,使用ghost模块重构网络,减少计算量。实验结果表明该算法在提高检测精度的同时加快了检测速度,相比Yolov4-tiny在召回率与检测精度上分别提升了8.89%、7.76%,且参数量与计算量分别是Yolov4-tiny的66.7%、64.02%,检测每张图片的时间仅需8.63ms,是一种精度与速度的最优平衡算法。