智能交通系统（ITS）应用通信、电子技术的现象已经十分普遍，它在监视和快速处理城市交通拥堵、突发事件中发挥了重要作用。小型无人机飞行灵活，视野广阔，搭载图像采集设备的无人机是实时分布式交通流量监管的重要平台。考虑到无人机的运动特性以及车速测量的时速要求，本文将以运动车辆为目标，重点研究基于无人机平台的视频测速技术。论文主要工作如下：
　　（1）无人机下基于改进YOLOv3的车辆检测方法。针对无人机下车辆目标尺寸小，目标间比例不平衡的问题，对YOLOv3检测网络提出改进，提高模型检测性能。首先，为了强化特征提取能力，引入Clique block特征循环网络，提高特征利用率。接着，选用Focal Loss改进模型损失函数，降低简单样本的损失权重，提高模型对难样本的关注。然后，采用GIoU回归损失函数解决均方回归损失函数对目标尺寸的敏感性问题，提高模型对小目标的关注度。最后，在训练过程中，利用多尺度训练策略随机调整模型输入尺寸，提高模型对不同尺寸目标的检测性能。最终实验结果表明，本文改进网络在自建无人机数据集上的检测精度达到了95.5%，且检测速率达到实时。
　　（2）基于数据联合的车辆目标跟踪方法。无人机下城市道路车辆比较密集，偶尔存在一定的遮挡情况，本文基于目标检测结果进行跟踪算法的研究。首先，利用卡尔曼滤波算法预测目标下一时刻可能出现位置，再提取目标运动特征和深度外观特征，结合匈牙利匹配算法实现预测框和下一帧检测框的匹配。针对目标遮挡、检测框漏检导致跟踪轨迹丢失问题，优化外观特征提取网络，利用交叉熵损失和度量三元损失函数联合训练深度网络，提高模型特征重识别能力。实验证明，本文算法在公开数据集上性能优于其他算法，能实现对多个车辆目标持续、稳定地快速跟踪。
　　（3）基于机载平台的目标测速方法。该方案在目标跟踪序列的基础上，利用相机标定法和低空航拍射影原理，将跟踪序列目标的像素位移转换成实际物理位移，进而获得车辆目标的运行速度。由于目标的实际位移通过简单换算即可获得，本文算法可高效地完成车速测量任务，具有极强的实用性。