机动车保有量的不断增加导致了道路拥挤、事故频发,为缓解日益严重的交通拥堵并实现对高峰期车流量的智能化管控,急需开展对主干道车辆的有效监控与智能化分析研究。无人机地面交通监控系统因具有成本低、机动性强、成像清晰、覆盖域广等优点,可快速高效获取地面车辆信息,实现对交通流量信息的有效获取。但无人机远距离探测画面中的地面车辆种类多、目标尺度变化大、背景复杂,而现有基于深度学习的目标检测方法存在训练样本需求量大、特征提取不完全、检测精度低等问题,导致无法实现对地面车辆目标的有效监测。基于此,本文重点开展基于深度学习的无人机地面车辆检测方法研究。开展的主要工作如下:（1）针对现有基于深度学习目标检测样本不足、类间不平衡等导致的算法泛化能力差的问题,本文研究并实现了基于自注意力机制生成对抗网络的高逼真数据扩充方法。在生成网络中引入空间自注意力机制,提高卷积层对局部特征的提取能力,增强生成目标的逼真度与背景的融合度,并在网络输入端与输出端分别添加下采样模块与上采样模块,以解决高分辨率图像生成难的问题。同时采用多尺度分块判别网络对生成结果进行修正,在不损害样本生成质量的同时,减少计算成本。多组实验结果表明,本文所提有监督方法可有效实现像素到像素的特征转换,在图像预设噪声区域中生成的不平衡样本逼真度更高,有效地提高了现有目标检测算法的性能。（2）针对无人机地面图像中目标尺度变化大、背景复杂等导致的深度学习方法可用特征少、检测精度低等问题,本文研究并实现了基于稀疏先验的多尺度无人机地面车辆目标精确检测方法。使用基于稀疏先验的检测模型,消除密集先验对检测结果的影响并减少计算复杂度。同时采用加权双向循环特征金字塔,提高网络的特征提取能力,又引入可切换空洞卷积代替常规卷积,减少了特征损失,提高了检测精度。多组实验结果表明,本文所提方法具有更好的检测效果。（3）为验证本文所提方法在无人机地面车辆监测方面的有效性,本文设计并实现了基于无人机平台的地面车辆检测软件。该软件采用公开和自建的无人机图像数据进行了线下训练,并将训练好的模型部署在嵌入式平台终端,同时开展了室外实验,进行了软件功能的在线测试和算法验证,结果证明了本文所提方法的有效性。