无人机这一新型作战平台在近几次局部战争与非战争军事行动中发挥了巨大的作用,利用无人机结合人工智能算法进行侦察和态势感知更是得到了军事强国的广泛关注和深入研究。近年来,深度学习目标检测算法不断发展,逐渐克服了传统目标检测算法的检测精度瓶颈,成为目标检测领域的主流研究方向。无人机航拍图像目标检测作为目标检测的子课题,也逐步向深度学习方向发展。由于航拍图像尺寸大,目标尺度多变以及拍摄角度区别于常规拍摄角度,常规目标检测方法并不完全适用于航拍图像检测,因此急需在常规基于深度学习的目标检测算法的基础上研究适用于航拍图像的改进方法。首先,本文针对目前航拍图像数据集数量少且应用场景单一的问题,提出了一个航拍图像数据集构建方案。通过公开的无人机航拍系统数据,分析了航拍图像数据集的需求;针对图像获取途径有限,提出了四种图像采集方法,并使用DarkLabel标注工具对图像进行处理;最后,提出了一种合理的组织方式对大批量数据进行组织管理。其次,针对深度学习方法对航拍图像检测速度慢的问题,提出了梯度聚类SSD(Single Shot MultiBox Detector)模型。模型利用梯度信息滤除了航拍图像中的冗余区域,减少了模型的运算量,从而提高了检测速度。最后的测试表明,相比经典模型,所提模型的检测速度FPS提高了60%以上,但其不足是在一定程度上会影响检测精度。最后,针对梯度聚类SSD模型引起的精度下降问题,提出了多模型融合结构。文中首先分析了梯度聚类SSD模型中影响检测精度的参量,包括显著网格点数阈值、高斯参数以及检测模型等。对于显著网格点数阈值、高斯参数,通过计算得到了最佳参数;通过分析不同训练条件下模型的检测效果,确定了几种模型的优势;接着,融合这些优势参数,得到了多模型融合结构。最后的测试表明,多模型融合结构保持了检测速度上的优势,同时检测精度相比基于SSD的原始检测算法提高了20%以上。