随着无人机与航拍技术的迅速发展,基于无人机航拍的智能系统被越来越广泛地应用到各个领域,例如安保监控、交通管理、搜索救援等。检测航拍图像中的目标是这些智能系统的重要基础环节。近年来基于卷积神经网络的检测器在通用目标检测任务中取得了显著的成绩,然而航拍图像中目标的尺度变化范围更大且小尺度目标数量占比更多,与一般场景图像相比更具挑战性。本文分析了现有检测器存在的主要问题,提出相应的改进措施,设计并实现了单阶段无锚点检测器,取得较好检测精度。本文的主要工作包括以下部分:(1)现有的特征金字塔构建方法未能平衡地融合主干网络多层特征,本文基于尺度扩展特征聚合网络构建特征金字塔的框架,能够平衡地融合主干网络信息的多层特征,使特征金字塔能够提供表征能力更强大的特征,提高目标检测精度。通过在Vis Drone2018数据集上进行的消融实验,本文证明所提出的尺度扩展特征聚合网络能够有效地提高检测精度,相比基准检测器平均精度(Average Precision,AP)提高了4.9%。(2)在多尺度特征融合过程中需要使用上采样方法改变特征图的长宽,而现有的上采样方法不够高效。本文提出基于学习的级联上采样方法,在Vis Drone2018数据集上的实验表明,本文提出的级联上采样方法能够有效地提升检测精度,相比双线性插值方法检测精度提高1.4%AP。(3)基于锚点的检测网络其锚点超参数调优困难,锚点框数量过多导致模型参数量过多、计算开销过大。本文采用无锚点检测子网络,无需进行锚点超参数调优,通过减少模型的参数量降低了计算开销。实验结果显示,与基于锚点的检测器相比,在Vis Drone2018、UAVDT和DIOR数据集上检测精度分别提高1.3%、0.5%和1.0%。并且在Nvidia GTX 1080Ti显卡上的推断速度达到11.8 FPS,相比基于锚点的检测器提高1.2FPS。