基于深度神经网络的目标检测是计算机视觉领域中的一个基本视觉识别问题。航拍图像目标检测是目标检测领域中极具挑战的分支之一。基于航拍图像的目标检测在地形勘探、交通统筹、农作物产量预测和飞行器探测等民用及军事方面均有着极为广泛的应用。现阶段,随着深度学习技术和硬件设施水平的不断发展,对高分辨率的航拍图像中的目标进行精准定位,并为每个对象实例分配一个相应的类标签对现有的基于全卷积网络的目标检测模型来说是非常困难的。在实际工作中,目标物存在大量的被遮挡、光照不足、视觉畸变等问题。这些问题会导致现有的检测模型难以对特征区域采样,使大量的假阳性和假阴性的检测结果出现,同时,参数量过大的模型存在着难以训练、参数不易收敛的问题。为解决上述问题,本文在深入研究基于区域建议的目标检测技术的基础上,提出了区域建议关键点生成方法和目标标签编码方法,同时设计并实现了基于区域建议的航拍目标识别系统。本文主要研究工作包括以下内容:（1）提出一种基于区域建议和交叉自注意力关键点生成方法。在目前已有的基于关键点的目标检测方法中,存在人为设定的几何关键点存在语义信息不足、定位偏差和自注意力机制导致计算冗余无法实现实时检测的问题。针对上述问题,本文提出了一种融合上下文区域信息和交叉自注意力机制的关键点生成方法,致力于生成融合区域语义信息的关键点。首先以一阶段的区域建议网络为特征选取网络,提取语义特征丰富的特征区域,作为区域建议,而后利用交叉自注意力机制,计算向量相似度关联矩阵,进行正则化并结合交叉熵函数对区域关联矩阵进行加权归一得到注意力图,最后将特征图与注意力图融合,得到加权特征图,选取权重大于阈值的特征点作为区域特征点,通过特征点回归的方式得到包围框的长、宽及所属类别。实验表明,该算法有效的提高了航拍目标的检测精度,检测器前向推理速度有显著的提高。（2）提出一种基于目标编码的目标检测模型训练方法。该方法针对上一节中注意力机制的引入导致的模型参数更多的问题,结合迁移学习方法和联合优化方法,为参数量较大的目标检测模型的训练提供了方案。通过标签编码器的构建和中间监督的位置编码损失函数,实现了标签空间和图像特征空间的一致性,避免了训练中特征的跨域问题。针对主体网络收敛较慢,编码器网络收敛较快的特点,我们设计了两阶段的训练模式用以加快主体网络中参数的收敛。最终,通过分类损失、定位损失和中间监督损失的联合监督,来确定模型是否训练完毕。实验结果表明,该方法能够有效的加快模型的收敛,一定程度上提高目标检测的准确性。（3）基于本文所研究的内容,设计并实现了一个航拍图像目标检测系统。该系统主要包括模型训练和目标前向推理检测两个模块,同时添加一个存储模块用于记录保存输入输出数据。经研究表明,该系统具有较为良好的易用性和有效性,适用于包括移动端等多种设备中,具有较高的应用价值和前景。