军用无人机的重要战略地位和民用无人机在众多领域的广泛应用,都标志了无人机大显身手的时代已经到来。图像识别作为无人机重要的视觉功能,帮助了无人机在复杂的环境下完成各式各样的任务。目前无人机图像目标检测大多采用了以人工特征提取和机器学习分类器组合的传统方式,随着无人机横向领域的应用扩展和执行任务的难度激增,传统目标检测模型已经很难达到日渐增长的精度要求。基于以上背景,通过对无人机侦查图像的深入分析和目标检测相关算法的研究,对比传统模型和深度学习的目标检测方式,发掘深度学习的优势和课题研究场景下的可行性。本论文设计一种基于卷积神经网络的目标检测方式,完成了基础实验框架的搭建,实现了从原始数据集到加载增强数据集、网络训练验证从0到1的过程,并针对不同的优化方案设计对照试验,最后将可行的方案加入网络的迭代过程中。本文提出了基于改进Faster R-CNN的航拍图像目标检测技术,将算法模型实现的同时又通过Faster R-CNN网络优化提升了分类准确率。针对航拍数据集的小目标误检和尺度差异问题,本文设计了RPN的网络结构和相关算法的优化方案。通过改进CNN和OHEM算法嵌入对Faster R-CNN的结构进行了调整,整体提高了网络对小目标和多目标的检测准确度。