无人机航拍目标检测技术在军事与民用领域具有重要意义。在航拍大景深场景中,车辆目标具有近处目标大、远处目标小的特点。基于传统方法的车辆目标检测技术存在着泛化能力弱、检测精度低等缺点,已不满足该场景下目标检测需求,而深度学习算法能够挖掘目标深层特征,显著提高目标检测精度。本文对无人机大景深场景车辆目标检测算法及实时实现进行研究,主要工作如下:针对机载大景深场景中车辆目标的特点与检测难点,本文分别从训练优化与模型结构设计两方面展开研究。针对目标尺度变化大的问题,提出了改进损失函数与自适应阈值样本分配的解决方法,从训练优化的角度提高检测算法对多尺度目标的检测能力;针对部分车辆目标像素面积小的问题,在不增加网络复杂度的前提下,提出了基于空洞卷积的多分支上下文信息聚合模块,从网络结构设计上提高了检测算法对小尺度目标的检测能力。经过上述方法改进的Yolov3检测算法,在大景深数据集上,实现了7.0%的AP提升与9.2%的小目标AP50提升。针对嵌入式平台的计算与存储资源受限,本文分别从模型结构轻量化与模型权重轻量化两方面对检测算法进行优化。使用深度可分离卷积替换标准卷积,并对批归一化层进行合并优化,实现网络结构的轻量化;使用基于量化感知训练的权重量化方法实现模型权重的轻量化。优化后的模型相比基准模型,模型计算量压缩了59.7%,参数量压缩了61.7%,大小压缩了90.3%,精度损失仅为1.5%。本文基于Hi3559A嵌入式开发板设计了机载车辆目标检测算法验证系统,并对轻量化后的车辆目标检测算法进行部署实现,通过多线程流水线加速的软件设计使系统处理速度提升了92.5%。最终算法验证系统的最大功耗仅为4.9瓦,满足机载嵌入式系统的低功耗要求,对1024×1024像素面积的大景深车辆图像输入的处理速度达到了8.76帧/秒,满足边防巡检、交通监控中无人机车辆目标检测的实时性要求。