Pequeños cambios entre clases y cambios masivos dentro de clases son desafíos importantes en el reconocimiento de modelos de aeronaves en el campo de la teledetección. Aunque el algoritmo de reconocimiento de modelos de aeronaves basado en la red neuronal convolucional (CNN) tiene un excelente rendimiento de reconocimiento, está limitado por conjuntos de muestras y recursos informáticos. Para resolver los problemas anteriores, proponemos la red de máquinas de aprendizaje extremo discriminativo bilineal (BD-ELMNet), que integra las ventajas de la CNN, el autoencoder (AE) y ELM. Específicamente, BD-ELMNet primero ejecuta las operaciones de convolución y agrupación para formar un ELM convolucional (ELMConvNet) para extraer características superficiales. Además, se desarrolla el ELM-AE regularizado por variedades (MRELM-AE), que puede considerar simultáneamente la estructura geométrica y la información discriminativa de los datos de aeronaves, para extraer características discriminativas. El modelo de agrupación bilineal utiliza la información de asociación de características para la fusión de características y mejorar la distinción sustancial de las características. En comparación con el método de optimización de retropropagación (BP), BD-ELMNet adopta un método de entrenamiento capa por capa sin ajustes repetidos para aprender eficazmente características discriminantes. Experimentos que involucran la aplicación de varios métodos, incluido el método propuesto, en el banco de pruebas MTARSI muestran que el método propuesto de reconocimiento de tipos de aeronaves supera a los métodos de vanguardia.