在21世纪的今天,我国的国民经济继续保持着稳定增长,大众出行普遍追求舒适化、短时化,于是飞机成了大众首选的交通工具。同时作战飞机作为一种武器,也已被军队广泛使用。无论是作为民航的出行工具还是应用在军事用途上,飞机目标分类均有较大的应用前景。近几年,深度学习已经在机器视觉技术领域飞速发展并取得丰硕成果。飞机图像分类作为细粒度图像分类的典型代表,其外型、颜色以及任意改装的强干扰因素都严重影响飞机分类的准确性。本文将传统分类方法和CNN以及迁移学习策略在该课题中探索,挖掘飞机目标图像中隐藏的特征点,搭建更适合飞机特征的图像分类模型并开发飞机图像识别系统。本文以两个飞机目标图像数据集为数据基础,针对细粒度飞机图像的多类别、高准确率的挑战问题展开本文的实验。主要研究内容和创新点如下:（1）建立了两个飞机图像数据集DAP-6和DWP-13。DAP-6数据集中共有5702张图像,包含了民用、军用和通用飞机。DWP-13数据集中共有18028张图像,主要涉及到13类战斗机。充分考虑到数据集对于整体实验的重要程度,因此建立的两类数据集中涉及的飞机用途广泛且兼容性强,图像样本既包含了空中处于飞行状态的飞机图像,又包含地面处于停泊状态的飞机图像,具有一定的推广性和实用价值。此外,运用Gamma校正来改善亮度,同时激活边沿特征;使用归一化梯度直方图、区域映射等操作获得图像的HOG向量。（2）将HOG和SIFT和传统的SVM和KNN分类器相结合,基于四种算法HOG+SVM、SIFT+SVM、HOG+KNN、SIFT+KNN分别进行飞机图像分类。实验结果表明,HOG在飞机图像特征提取中比SIFT更具有优势,并且HOG+SVM的分类准确率最优为86.8%,高于HOG+KNN实现的73.8%的分类准确率,有效说明了本文提出的算法能够有效解决飞机图像分类问题。（3）设计搭建了基于CNN的飞机分类模型。通过几组对比实验设计网络模型并优化参数,设计了一种针对飞机目标的分类模型并分析了不同的损失函数和优化器对该模型的影响,确定了均方误差损失函数和SGD优化器实现的分类效果最优;接着提出了一种正则化级联的方式即BNlayer和Dropout为0.5的级联方式来减少过拟合,加快了模型收敛速度;最终设计搭建的CNN飞机分类模型正确率达到了99.1%,充分说明了所设计模型的有效性。（4）设计并开发了飞机目标识别系统。将深度CNN模型与基于瓶颈层特征提取的迁移学习相结合,利用ResNet50、MobileNet＿V2、Inception＿V3和Inception＿ResNet＿V2网络作为特征提取器并通过一层的分类模型对特定机型进行识别,该方案在DAP-6下的精确率可达99%以上,在DWP-13下的精确率为97.83%。实验结果表明,将深度CNN模型与瓶颈层特征提取策略相结合的方法对于战斗机类型的识别是有效的。除此之外,轻量级CNN模型MobileNet＿V2和瓶颈层特征相结合的方法实时性较好,所需存储空间小。在此方法的基础上,继续开发了飞机目标图像识别系统,结果实现了高准确率、低耗时的目标。