由于飞机在民用和军用领域发挥着至关重要的作用,随着高分辨率卫星遥感技术的迅速发展,遥感图像中飞机检测问题越来越受到人们的关注。随着图像处理以及深度学习的发展,近年来飞机检测的效果得到了有效提升。然而,由于遥感图像覆盖面积广阔,背景复杂,目标繁多,影响对飞机特征信息的提取,图中某些明显的或者结构上类似飞机的物体容易被错检为飞机;另一方面,检测任务中在计算边界框损失时一般使用Smooth L1损失函数,而检测框的评价标准为IoU,二者相关性较弱,使得生成的检测框与目标偏移较大;并且在遥感图像中飞机密集,传统的NMS算法容易产生漏检。针对上述问题,本文提出利用反卷积和位置注意力模块提取飞机结构特征,减少错检;以GIoU作为检测框评价标准,提出了基于GIoU的边界框损失函数,对二者进行统一,从而得到最佳检测框;同时提出基于GIoU的软决策NMS算法（GIoU-soft NMS）,减少聚集目标的漏检状况。主要研究内容如下:首先,针对图像中比较突出的目标容易被错检为飞机的问题,引入反卷积模块以改进特征金字塔的生成。由于遥感图像从上到下拍摄得到,飞机的结构信息明显。为了能够提取飞机的结构特征,使用反卷积模块,增加其对飞机结构信息的提取能力,从而提高飞机特征的表达能力,减少错检。其次,针对相似结构带来的错检,使用位置注意力机制来捕获特征图在任意两个位置之间的空间依赖关系,从全局视野自适应地整合相似的特征,突出飞机特征,抑制背景信息,增强特征表示的判别性,从而区分复杂背景中与飞机结构相似的目标。第三,针对Smooth L1损失函数和IoU作为检测框评价标准关联性弱的问题,采用GIoU作为检测框评价标准,提出基于GIoU的边界框回归损失函数,实现了评价标准与损失函数之间的一致性,使得生成的检测框更加靠近目标。最后,针对传统NMS算法在检测聚集飞机时容易漏检的问题,提出了基于GIoU的软决策NMS算法,避免了在重叠率较高的情况下直接删除检测框从而导致漏检的情况。结合上述方法本文提出基于结构特征和GIoU的飞机检测模型,该模型既增强了对飞机结构特征的提取能力,又提高了检测框的生成能力。在DOTA和DIOR两个数据集上对上述方法进行验证,结果表明该模型能够有效减少飞机检测中的错检,优化检测框的生成,减少漏检,提高飞机检测精度。