摘要：航空图像分类问题具有背景复杂多变,物体类别多样的特点,传统的多标签分类方法识别准确率低,泛化效果不佳.本文提出基于两阶段迁移学习的Multiscale SE-ResNet50分类方法,构建以ResNet50为核心的深度卷积特征提取网络.通过设计多尺度特征提取模块,增强模型对特征的细化能力;采取SENet与ResNet残差模块进行级联的方式在模型中嵌入通道注意力机制,强化对特征图中关键通道信息的提取;利用两阶段迁移学习优化模型初始化参数,进一步提高模型精度和泛化能力.实验结果表明,算法在UCM多标签数据集上的macro-F1为98.4%,分别高于MobileNet v2,VGG16,Inception v3,DenseNet121,ResNet50模型11.2%,69.6%,3.4%,69.6%,2.2%,该方法可以有效提高航空图像多标签分类任务的准确率.