传统的道路监控探头在处理交通事故中需要专业人员手动找到违规人员和肇事车辆,这样不仅效率低下,且因为探头被固定安装带来了机动性差、视野狭窄等问题。将无人机摄像头作为道路监控探头具有体积小、成本低、视野广阔、灵活性高等优点,此外,运用基于视觉的目标检测技术对无人机影像进行智能化分析可以快速且准确的定位地面的行人及车辆,同时大幅度提升监测效率。基于上述背景,本文对行人及车辆目标检测技术展开了研究,并基于安卓开发和目标检测设计并实现了一个道路监测系统,主要工作如下:1)对基于深度学习的行人及车辆检测算法进行理论研究和实验分析。为了增强模型的泛化能力,独立标注了无人机拍摄和网络视频截图的图片,与部分Visdrone2019图片一同构成本文使用的数据集。虽然基于深度学习的目标检测和传统算法相比,其可以学习到不同的辨别性特征,且泛化能力更强,但网络复杂度的增加使其在便携式设备上的移植出现了困难。针对上述问题,本文选取了一个轻量级检测模型YOLOv5s,其检测速度快、检测效果佳、计算量小且模型体积仅为14.4MB,降低了对系统算力的要求。此外还通过处理数据集以及调节训练时参数优化检测模型,使得m AP（mean average precision）上升2.0%。2)针对无人机视角下密集区域小目标检测问题,改进了检测模型网络结构。无人机需要在复杂多变的环境中监测地面情况,其飞行较高时地面目标尺寸会变得很小,给目标检测带来了困难。本文在Backbone部分加入了CBAM注意力机制,同时在Neck部分增加了一个小目标检测层,使得检测模型的m AP提升7.6%。针对无人机摄像头在飞行中可能会出现的角度变化、遮挡、镜头模糊等问题,对改进后的模型进行了鲁棒性分析,实验结果表明改进后的模型具有较强的稳定性和适应能力。3)基于安卓移动应用程序开发及Py Torch转ncnn技术,将改进后的检测模型部署到算力弱、价格低廉、易携带、功耗低以及可扩展性高的安卓设备上,实现无人机摄像头在线对行人及车辆进行监测。为了使系统更加智能化,还引入了在线的高德2D地图,添加了若干与自主飞行相关的可交互按钮,用户可以根据自己的需求定制飞行任务,实现无人机在自主飞行时对地面目标监测。经过测试,此道路监测系统可以在线检测行人及车辆,系统可用且检测效果好。