彩色遥感图像中信息量大,含有重要的感知信息,对特定的感兴趣目标实现自动检测具有重要的应用价值。且近年来,深度学习算法在自然图像的目标检测中表现良好,得益于它非线性处理方面具有优势,但由于遥感图像和自然图像目标属性的原因,直接将其应用到遥感图像中会产生诸多问题,尤其针对遥感图像中的飞机目标尺寸不一、目标小以及多姿态的属性,需要更加高效的目标检测算法。面对彩色遥感图像飞机目标检测的需求,本文基于深度学习,围绕彩色遥感图像中飞机目标检测展开研究,主要研究内容如下:(1)彩色遥感图像边缘色度差异大,对其边缘检测可以获得丰富的语义信息,为此提出了一种彩色遥感图像的边缘检测算法.:首先将Canny算子融合到分数阶微分中,设计一种分数阶微分模板应用到Canny算子中,分析高斯曲率滤波理论,将其应用到算法中,在对彩色遥感图像做边缘检测时平滑图像,寻找最小正则化能量点,获得算法的最优参数,从而得到更优的彩色遥感图像边缘检测结果。实验数据说明,该算法相较于其他四种常见边缘检测算法,不仅能够高质量获取图像的纹理信息,也抑制了噪声,削弱了噪声对边缘检测结果的影响。(2)本文的研究目的是将彩色遥感图像中的飞机能够正确的检测出来,但数据集资源匮乏,为得到更优的训练结果,构建彩色遥感图像关于飞机目标检测的数据集。通过裁剪、旋转、去噪以及改进的边缘检测算法处理,获得1000张含有飞机目标的彩色遥感图像,按照PASCAL VOC数据集的格式手动标注,并将其通过程序划分成训练集、测试集、验证集。通过数据集对比实验发现,本文构建的数据集可以在网络训练时获得更多的信息,有助于提高了目标检测算法的精度。(3)针对彩色遥感图像中飞机目标小、多尺寸以及姿态不一等情况造成的目标检测过程中出现漏检、误检问题,提出一种基于Faster R-CNN和FPN网络的彩色遥感图像飞机目标改进模型。重点分析Faster R-CNN中的RPN网络以及FPN网络,将两个网络的优势结合起来改进模型。在保证计算速度不受影响的同时,把FPN网络镶嵌到Faster R-CNN网络中的特征提取模块,优化特征提取方法,把低分辨率、强语义的特征与高分辨率、弱语义的特征经自下而上、自上而下的通路以及横向连接联合起来,最后形成特征映射集,在每一个层级上输出。经自己构建的遥感图像飞机目标数据集训练实验后,可以发现,FPN网络的加入,使得整个目标检测模型可以获得更加丰富的特征信息,保证了在分类检测定位时,能够正确的识别飞机目标,并给出精确的边界框,实现了飞机目标的检测。经试验研究证明,本文基于深度学习提出的彩色遥感图像飞机目标检测算法比SSD、R-FCN以及faster R-CNN模型,在飞机目标残缺、目标模糊等问题上检测准确度最大提高了 18.6%。