实现基于深度学习的无人机图像实时目标检测算法优化设计及部署,在军事国防、灾害检测、智慧城市等领域具有重要的应用价值。但由于高分辨率无人机图像具有不同类型目标尺度差异大、密集小目标分布广等特点,如何兼顾检测精度和实时性的需求,仍是亟需解决的重点问题之一。红外图像目标指示性好,但纹理特征缺乏,无人机视角红外图像目标检测数据集的缺乏,阻碍了相关研究的快速发展。将检测模型移植到嵌入式设备时,如何提高推理速度并降低检测精度损失,需结合具体的嵌入式设备进行优化。本文针对上述问题展开研究,主要工作内容如下:（1）为解决无人机视角下红外图像匮乏的难题,基于实验室自研的图像标注软件,构建了红外目标检测数据集Infrared-PV。基于无人机飞行习惯,在倾斜、移动视角以及变焦情况下,采用FLIR红外摄像机拍摄了黑热、白热和热力图三种模式下的视频序列,以抽帧方式构建的数据集共包含2138张图片及近十万个标注信息,目标类型为行人和车辆。在对数据集进行统计分析基础上,给出了典型的基于深度学习的目标检测算法的性能基准。设计了一种基于SwinTransformer主干网络的改进YOLOv5模型,平均精度均值达到了基准次优,实时性与YOLOv5算法相当。（2）针对无人机图像的特点,提出了基于YOLOv5的实时目标检测改进算法-YOLOv5sm+。首先,分析了网络宽度和深度对无人机图像目标检测性能的影响,基于可增大感受野的残差空洞卷积模块改进YOLOv5s网络,提高了空间特征的利用率,在不降低模型实时性的同时显著提高了检测精度。其次,通过对多尺度的特征进行跨阶段特征融合,提出了SCAM模块,提高了特征融合效率与中大目标的检测精度。最后,通过SDCM检测头解耦模块,缓解了分类和回归之间的互斥矛盾,进一步提高了检测性能。采用Vis Drone无人机航拍数据集进行算法验证,实验结果表明,平均精度均值较YOLOv5s模型提升4.8%,同时实时性优于YOLOv5m。在Infrard-PV红外数据集、DIOR遥感数据集上也验证了提出模型具有较好的鲁棒性。（3）考虑Jetson-Xavier硬件特点,对提出算法进行了优化部署。首先,基于半自治控制思想,提出了人在回路的模型裁剪算法Slim-HIL。通过引入非线性惩罚,提高模型训练过程中权重稀疏性,通过人工矫正的方式提高了模型裁剪的效率。其次,基于软硬件联合优化的思想,采用三种深度模型部署方案对提出的改进模型进行了部署,开发了嵌入式实时目标检测交互软件,在输入分辨率为1536×768的情况下达到了25FPS的推理速度,满足边缘设备上实时推理需求。