近几年,随着无人机广泛的普及,航拍图像的目标检测被运用在越来越多的领域中,包括监控安防、灾难搜救、边境巡查等。目标检测能极大地提高无人机的环境感知能力,是实现多任务、多场景无人机智能化的核心技术。相比地面场景的图像数据集,航拍图像数据集有着独特的数据分布,导致通用目标检测算法无法直接运用在航拍场景。航拍图像中目标检测的难点包括小目标检测精度低、目标尺度差异大和类别间数量不平衡。现有方法大部分采用基于候选区域检测的思想,该类方法将航拍检测分为两个阶段,第一阶段采用不同策略提取目标局部聚集的候选区域,第二阶段对所有候选区域调整后检测。现有工作未能很好地解决上述航拍检测中的难点,受该类方法启发,本文提出一个适用于航拍场景的高精度目标检测框架,设计了候选区域生成模块、尺度适应模块和类别平衡模块。本文算法先预测航拍图像的候选区域,随后依据尺度信息调整候选区域,最后对候选区域逐个检测,并将所有区域检测结果相融合。在候选区域生成模块中,本文首先提出密度图引导的候选区域生成方法,本文提出一个双分支结构的密度预测模型和密度图引导的尺度估计方法,由于该候选区域生成方法存在处理步骤过多的问题,故本文提出另一种尺度感知的候选区域预测方法,该方法将候选区域预测任务和尺度估计任务融入到一个模型,将尺度估计任务由回归问题转变为分类问题,实现端到端的候选区域生成。在尺度适应模块中,本文提出一种迭代式的切分和填充算法来调整候选区域内目标的相对尺度,并将该算法从模型的测试阶段扩展到训练阶段。在类别平衡模块中,本文改进前人基于目标重采样的类别方法,提出使用掩码作为重采样单位,探讨在无掩码标签的检测数据集中获取目标掩码的方法,并利用图像的局部信息优化重采样策略。本文在两个航拍图像数据集上进行实验,验证算法框架中各模块的有效性。相比近两年的航拍检测算法,本文算法的检测精度在Vis Drone和UAVDT数据集上均超过以往的大部分工作,实验结果表明,本文算法在精度上具有优势。