飞机作为一种重要的军事装备极具战略意义,对于遥感图像中的飞机目标进行检测与分类具有重要的研究及应用价值。由于遥感图像的成像时段以及环境条件不一,可见光遥感平台的分辨率、相机F数、飞行高度、视角等参量各有不同,待检测的飞机目标型号各异的原因,遥感图像飞机目标检测这一任务往往需要考虑复杂多变的背景信息和不稳定的目标特性。在检测到飞机目标后,进一步进行类型自动识别甚至型号自动识别这一工作,则是解决人工判读飞机目标存在延迟,实现遥感图像飞机目标实时识别的必然选择。针对上述问题,本文对于遥感图像飞机目标检测与分类识别技术进行了相关研究。本文首先对于“DOTA遥感图像飞机目标检测的数据集”进行了数据处理与划分,针对遥感图像飞机目标分类任务尚无公开数据集这一问题,本文提出了一种基于目标形状的分类标准,将遥感图像中的飞机目标粗分为民用飞机1、民用飞机2、老式飞机、战斗机4大类,构建了“DOTA-T4遥感图像飞机目标分类数据集”,并将其中部分战斗机样本按机型、配色、装配状态细分为了9类,构建了“DOTA-F9遥感图像战斗机目标细分类数据集”。针对大幅面遥感图像中的飞机目标形状、尺度、辐射特性等信息不稳定,对其检测较为困难的问题,本文提出了一种基于地面采样间隔的遥感图像飞机目标检测算法(G-DYOLT)。该方法考虑到不同地面采样间隔中的飞机目标尺寸分布不一的现象,针对通用深度学习网络框架在对遥感图像飞机目标进行检测时适用目标尺寸相对受限的问题,引入地面采样间隔信息,实现了检测网络的自适应选择。大规模实验验证了该算法对于各项特征分布较广的飞机目标的良好检测性能。针对检测后的飞机目标分类问题,本文提出了一种基于总和池化特征的遥感图像飞机目标分类算法(SPFC),该方法利用卷积神经网络提取的特征图构造总和池化特征,保留原特征图的通道结构,对原特征图中包含的位置信息利用更合理,使得飞机目标粗分类及战斗机目标细分类结果更优。同时,本结构可以生成得分贡献率图以观察分类过程中的分类依据,使得网络中的特征具有较强的可释义性,有利于对分类算法做出更有针对性的改进研究。