Aunque los objetivos espaciales tienen diferentes formas, tamaños e intensidades, sus distribuciones comparten ciertas similitudes. Sin embargo, es difícil resumir una función de distribución generalizada para los objetivos espaciales. Además, la mayoría de los métodos existentes basados en aprendizaje profundo no son adecuados para usarse directamente debido al tamaño de los objetivos y al costo de la etiquetación manual para una imagen completa. En este artículo, proponemos un patrón para la detección de objetivos espaciales basado en una red neuronal convolucional (CNN) para aprender características esenciales de los objetivos a partir de los datos. En la etapa de procesamiento, se estima y se elimina el fondo. Luego, se utilizan técnicas de imagen para buscar y procesar propuestas de región. Diferentes tamaños de propuestas de región son reconocidos por un discriminador, que se construye sobre una pequeña CNN entrenada con los datos de varios objetivos específicos. Finalmente, se utiliza una operación de supresión de no máximos (NMS) para eliminar objetivos redundantes. En la estructura de la red, para mejorar aún más la influencia del área efectiva, los parámetros calculados a partir de la región central de la entrada se utilizan como información de guía y se añaden a las características antes de la conexión completa. Además, se aplica la pérdida de sesgo para aumentar los pesos de características únicas. Los resultados experimentales demuestran el rendimiento excepcional del método propuesto en términos del número de objetivos detectados, tasa de precisión y tasa de falsas alarmas en comparación con métodos de referencia. En particular, el método propuesto tiene una estructura de red simple y un costo computacional más bajo, lo que puede ser promovido e implementado en la ingeniería real.