近年来,基于深度神经网络的算法在计算机视觉领域展现出优越的性能。随着深度学习理论和硬件设备的发展,计算机视觉领域内的各项任务呈现出了由通用场景向特定场景过渡的趋势。由于无人机具有便利的操控性与灵活的机动性,使其搭载相机后,可以有效地将无人机与视觉领域的各种技术相结合,从而极大地扩展无人机的使用场景,并逐渐被应用于各种特定场景下的任务。目标检测作为计算机视觉的核心任务之一,在社会生产实践中发挥着重要作用。然而,由于无人机体积和承重的限制,导致部署设备的算力和内存往往非常有限。因此,针对无人机的应用场景对算法的精度和效率通常具有较高的要求。一方面,为了能够成功完成任务,模型要保持较高的精度;另一方面,为了能及时响应系统的检测需求,模型要保持较快的推理速度。无人机端的检测任务要求检测器在轻量化、低耗时的同时,还要保持较高的检测精度。针对上述挑战,本文提出了高精度、轻量化的检测算法。针对无人机视角下小目标检测精度较低的问题,本文提出基于自注意力机制的高精度小目标检测算法。首先,在特征提取网络中引入自注意力机制,解决跨阶段分支特征提取能力较弱的问题,增强网络的特征提取能力。然后,在特征提取网络上根据下采样大小构建多尺度上下文提取模块,并进行特征融合。最后,通过图像融合数据增强对模型整体施加一个线性约束,降低模型的复杂度,提升泛化能力。针对模型推理速度慢与参数量大的问题,本文提出基于分组卷积的轻量化算法。首先,通过使用一维卷积与张量转置对全连接层进行等价实现,然后通过分组卷积对全连接层进行分组,从而大幅度降低全连接层中的参数量与浮点运算量。另外,使用深度可分离卷积替换普通卷积,得到基于深度可分离卷积的特征提取模块,进一步降低模型的参数量与运算量。本文算法在Vis Drone2019目标检测数据集上进行了评测,并与当前主流轻量化目标检测算法进行了对比。实验结果表明,本文算法在保持模型轻量化的同时,取得了较高的检测精度。