随着空间技术的发展,高分辨率遥感技术在数据获取和处理上都有着突飞猛进的发展。高分辨率遥感的作用逐渐在国防和国家安全等方面显现。通过高分系列卫星,我国获取了海量的高分遥感影像数据,仅仅利用传统的人工目视解译和判读的方法已经无法满足数据处理与分析的要求。伴随计算机云计算,高性能图形计算单元等新技术的出现,如何快速高效提取高分遥感影像中的信息已经成为该领域中的热点。飞机目标作为高分遥感影像中是一类对军事和民用领域都具有重要价值的目标,对高分遥感影像中飞机目标提取研究就具有重要的意义。本文中,我们提出了一种基于神经网络模型的高分遥感影像飞机目标检测系统。从获取的大宽幅高分遥感影像中按照由粗到精的思想,经过显著性检测和直线检测,通过对平行直线的筛选和聚类,得到飞机目标候选区域,之后利用圆周频率滤波方法进一步提取出飞机的候选区域,最后利用深度学习模型定位飞机目标。我们从Google Earth中下载采集到大量的机场和飞机样本,建立两个标准目标检测数据集,分别为CVRS_Airports机场检测数据集和CVRS_Airplanes飞机目标检测数据集。利用机场目标特点,提出了一种利用显著性和跑道平行直线特征对遥感影像进行机场检测算法。该算法利用显著性检测得到遥感影像显著图,去除掉大量的背景冗余信息,接着利用LSD直线检测算法,得到遥感影像的直线特征,根据对直线的长度、角度的筛选,找出满足机场跑道特征的直线段,最后对直线段进行聚类,得到机场区域。进一步,我们通过圆周频率滤波的方法,对得到的机场区域进行滤波,经过滤波之后,飞机目标中心的响应度明显会高于其他目标,设定一定的阈值,截取出响应度较高的中心区域。设定以截取区域为中心,一定范围的矩形区域确定为飞机目标的候选区域,最后利用深度模型自主学习目标特征,把得到的飞机目标候选区域送入训练好的深度学习模型检测,从而得到飞机目标的精确位置。与传统飞机目标检测方法相比,该方法基于深度学习,不需要人为指定感兴趣特征,目标的特征通过模型进行自主学习而来,该方法具有更强的通用性和鲁棒性。建立完整的飞机目标检测系统,是飞机目标检测算法进入实际应用的一个重要进步。在本文建立的高分遥感机场和飞机影像数据集上的实验表明,飞机目标检测率达到95.6%。本文同时与多种机场检测和机场提取和飞机检测算法进行了对比实验,实验表明,本文提出的方法在多个方面指标中均达到甚至超过主流算法实验效果。