随着遥感技术的发展,遥感影像目标检测逐渐成为遥感影像解译领域研究的热点。其中,飞机目标检测在军事情报获取、空中运输调度等方面发挥重要作用,是一个重要的研究课题。近年来,人工智能技术快速发展,基于深度学习的方法在目标检测任务中得到广泛应用,并取得了较好的效果,但对飞机目标检测时,由于遥感影像尺寸通常较大,而影像中飞机目标尺寸较小,并且目标排列方向多样,检测时会容易出现漏检、误检、预测边框重叠等问题,难以做到准确高效。为解决上述问题,本文以遥感影像飞机目标检测为主要研究内容,以YOLO模型为基础,围绕YOLOv5s模型,提出了联合多尺度特征和注意力机制的算法,并研究了基于旋转框的飞机目标检测算法,以实现对飞机目标的高效检测。本文完成的主要工作和创新点如下:1.阐述了研究背景和意义,总结了传统目标检测和基于深度学习的目标检测、小目标检测、旋转框检测算法的研究现状,归纳了卷积神经网络和基于深度学习目标检测的相关理论知识,分析了自然图像数据集、遥感影像飞机目标检测数据集的特点,介绍了两种数据集预处理的方法。2.针对遥感影像中飞机目标尺寸较小的问题,提出了联合多尺度特征和注意力机制的检测模型。首先扩大了多尺度特征融合网络输入的尺度范围,使特征图中包含更多小尺寸目标语义和位置信息。然后分别在模型的骨干网络中融合坐标注意力机制,以扩大模型感受野,降低训练时背景信息的干扰,使网络更加关注飞机目标特征信息。实验结果表明,通过改进多尺度特征提取网络并融合注意力机制模块,能提升对小尺寸飞机的目标检测精度,并能减少漏检、误检问题。3.针对遥感影像飞机目标排列方向角度多样的问题,提出了基于旋转框的飞机目标检测模型。首先使用环形平滑标签的方法,将模型对边界框角度的预测转换为分类问题,避免在角度边界值处出现损失值过大的情况。然后将骨干网络中的卷积操作替换为内卷积,减少了模型参数量和计算量。最后在输出端使用CIOU＿Loss,提高了检测的定位精度。实验表明该模型能够实现遥感影像飞机目标的旋转框检测,并有较高的检测效率。