針對(duì)遙感圖像中由于背景復(fù)雜、目標(biāo)外觀多樣和方向任意而導(dǎo)致的檢測(cè)精度不高的問(wèn)題，提出一種基于強(qiáng)監(jiān)督的部件模型方法。該方法針對(duì)目標(biāo)的每個(gè)方向范圍訓(xùn)練子模型，同時(shí)訓(xùn)練集除了標(biāo)注出目標(biāo)的外接矩形，還標(biāo)注出每個(gè)部件的位置及其語(yǔ)義。模型訓(xùn)練時(shí)，首先，通過(guò)對(duì)訓(xùn)練集圖像建立多尺度方向梯度直方圖（ HOG）特征金字塔，且根據(jù)目標(biāo)部件標(biāo)注信息采用最小生成樹(shù)（MST）算法初始化模型結(jié)構(gòu)；其次通過(guò)隱支持向量機(jī)（LSVM）方法訓(xùn)練出多個(gè)對(duì)應(yīng)不同方向區(qū)域的予模型，每個(gè)子模型由一個(gè)目標(biāo)濾波器和多個(gè)兩倍分辨率的部件濾波器，以及位置關(guān)系模型組成，多個(gè)子模型最終合并成用來(lái)檢測(cè)的混合模型。目標(biāo)檢測(cè)時(shí)，類似地建立多尺度特征金字塔，然后利用訓(xùn)練濾波器模型在特征金字塔上以滑動(dòng)窗口的方式計(jì)算匹配V向應(yīng)得分，對(duì)響應(yīng)得分設(shè)置閾值且采用非極大值抑制（NMS）算法來(lái)獲得優(yōu)化后的檢測(cè)結(jié)果。該方法在自建的遙感數(shù)據(jù)集上目標(biāo)檢測(cè)精度達(dá)到了89. 4qo，對(duì)比弱監(jiān)督部件模型（ DPM）、分類器模板集成（Exemplar-SVMs）和方向梯度直方圖一支持向量機(jī)（HOG-SVM）方法中的最高精度，所提方法提升了4個(gè)百分點(diǎn)。實(shí)驗(yàn)結(jié)果表明，所提算法能夠在鮮決方向和背景復(fù)雜問(wèn)題上有一定的提升，而且可以應(yīng)用于機(jī)場(chǎng)軍事飛機(jī)目標(biāo)檢測(cè)。