人工智能技术的深入发展极大提高了生活和生产的效率,有效推动了工业、农业、交通、医疗等领域的智能化进程。以计算机视觉、语音识别、自然语言处理等为代表的技术具有广阔的产业化发展前景。基于此背景,本课题从深度学习和计算机视觉两个方面进行展开,聚焦于航拍场景中的车辆检测算法研究,实现在自然场景下提高航拍车辆的检测效果。首先描述了目标检测技术国内外发展现状,对相关的检测算法和研究进行综述,总结了相关的研究方法和成果。然后解析了传统目标检测算法和基于深度学习算法的基本流程,并简介航拍图像检测数据Vis Drone。最后对目标检测模型以及检测框架的设计思想进行分析总结。由于航拍场景中目标尺寸较小,本文提出特征递归的航拍车辆检测方法用于改善小目标的检测效果。该方法以二阶段检测算法Cascade R-CNN为基础,基于特征的多路径递归融合进行检测模型的设计。首先以经典特征金字塔网络为基础架构,利用3×3卷积调整通道数后,将输出级的特征递归到至上而下的路径中进行相同层级的特征图融合。同时,利用基于深度学习的采样方法CARAFE将输出级的特征图进行上采样操作生成新的特征图,并将该特征图递归到前级结构的下一层进行融合;该融合结构将不同尺度的特征进行有效的耦合,减小特征间的语义差距。实验表明,相较于改进前的特征金字塔网络,基于多路径递归融合方法在小目标的检测精度上提高了1.0%,中尺寸目标精度提高了1.6%。基于递归特征融合结构,本文提出一种多尺度空洞卷积的检测算法,用于改善航拍场景中尺寸变化较大的问题。该算法通过设计不同空洞率的卷积核,构造了多尺度空洞卷积的特征融合结构,有效提高了目标检测中特征金字塔网络内部的信息捕捉与特征重组效果。改进算法采用残差网络中C2、C3、C4、C5输出的特征,对每一级特征图分别进行卷积核尺寸为1、3、5以及扩张率为2、1、3的空洞卷积操作,多尺度空洞率的卷积组合具有不同的感受野,该结构有效地缓解了增大空洞率引起的棋盘效应,优化后的算法在大目标检测精度上提升了3.9%。