针对光学遥感图像中飞机目标检测算法因背景复杂、受测飞机目标较小以及飞机外观差异较小导致检测精度不足的问题,本文基于YOLOv8n模型,提出一种融合全局信息与双域注意力机制的光学遥感图像飞机目标检测算法.首先,设计了SPPF_Global模块,通过全局最大池化层提供全局特征概览,帮助模型在复杂环境中更好地区分目标与背景;其次,提出了双域注意力机制,通过空间域和通道域的信息引导,提高模型对机翼形状等重要区域的关注度,增强对不同飞机型号的细微差别的区分能力;最后,采用并行路径改进下采样模块并引入Powerful-IoU损失函数,通过自适应惩罚因子加速模型收敛,提高对小目标飞机的识别能力和预测框的回归效率.实验结果表明:与原始YOLOv8n相比,改进后的模型在公开数据集MAR20上的精确率、召回率、mAP50以及mAP50-95分别提高了3.3%,2.6%,3.2%和2.6%,在NWPU　VHR-10数据集上分别提高了5%,5.1%,2.5%和0.3%;同时,参数量和运算量分别降低了6.6%和3.7%.证明了本文模型的高效性和优越性,有效提升了光学遥感图像中飞机目标检测算法的应用价值.