항공 이미지에서의 장면 인식은 대규모 항공 이미지 내 복잡한 객체 분포와 공간적 배열로 인해 도전적인 과제이다. 최근 연구들은 깊은 학습 모델의 국소적 의미 표현 능력을 탐구하고 있으나, 핵심 국소 영역을 정확히 인지하는 방법은 여전히 해결해야 할 과제이다. 본 논문에서는 항공 장면에서의 핵심 국소 영역에 대한 인간의 시각 인지 방식을 모방함으로써 구분력 있는 국소적 의미 표현을 구축하고자, 국소적 의미 강화 컨볼루션 네트워크(LSE-Net)를 제안한다. 제안하는 LSE-Net은 맥락 강화 컨볼루션 특징 추출기, 국소적 의미 인지 모듈, 분류 레이어로 구성되어 있다. 먼저, 항공 이미지 내 국소 특징 응답을 보다 충분히 수용하기 위해, 학습 가능한 방식으로 다중 수준 및 다중 규모의 컨볼루션 특징을 융합할 수 있는 다중 스케일 확장 컨볼루션 연산자를 설계하였다. 이후 이러한 특징들은 이중 분기 구조의 국소적 의미 인지 모듈에 입력된다. 이 모듈에서는 핵심 국소 영역의 시각적 자극과 해당 맥락 정보를 정밀하게 묘사하기 위해 맥락 인지형 클래스 피크 반응(CACPR) 측정법을 제안하였다. 또한, 항공 장면에 있어 각 핵심 국소 영역의 중요도를 설명하기 위해 공간 주의 가중치 행렬을 추출하였다. 마지막으로, 보정된 클래스 신뢰도 맵은 분류 레이어로 전달된다. 세 가지 항공 장면 분류 기준 데이터셋에 대한 철저한 실험 결과, 제안한 LSE-Net은 최첨단 성능을 달성하였으며, 이는 국소적 의미 인지 모듈과 CACPR 측정법의 효과성을 입증한다.