航空图像目标检测作为计算机视觉目标检测的分支领域,不仅能够应用在军事侦察、导弹制导、无人机武器系统等国防领域,而且能够应用在交通监控、资源探测、环境监测、城市规划等民生领域。航空图像具有视场变化大、旋转变化大、背景复杂等特点,航空图像目标检测任务具有目标尺度变化大、目标疏密变化大、目标重叠、遮挡等难点。在研究现状下,当前基于CNN（Convolutional Neural Network）的航空图像目标检测算法对检测难点问题解决的不够充分,而且未考虑算法对计算资源的消耗与图像处理的实时性,也未考虑算法在实际应用中的适应性。因此,本文针对航空图像目标检测任务中的难点,并考虑算法在实际应用中的适应性,提出四级复杂度的航空图像目标检测算法。在此基础上以机载电脑作为算法工程应用的部署对象,通过对机载电脑计算资源与算法实时性的分析,选定并优化满足条件的检测模型。再将优化后的算法模型与无人机平台结合,设计并实现了四旋翼无人机目标检测原型系统,实现了航空图像目标检测算法的落地应用。首先,本文针对航空图像中目标尺度、疏密变化大,目标重叠、遮挡等情况使得图像中目标难以充分检测的问题,以YOLOv5为基础算法,采用复合扩张骨干网络的深度、宽度的方法构建四级复杂度的骨干网络,将骨干网络分别与FPN+PAN网络、输出头网络结合,再由数据集训练使网络模型收敛得到四级复杂度航空图像目标检测算法ATDNet（Aerial image target detection network）,为在实际应用中平衡检测精确度、检测速度、模型复杂度提供了选择空间。其次,以机载电脑Manifold 2-G作为工程应用的部署对象,通过对机载电脑计算资源的分析与四级复杂度航空图像目标检测算法实时性的分析,选定了满足约束条件的检测模型。随后对该检测模型在先验框设置、多任务损失、推断过程这3个方面进行优化,其中先验框优化与多任务损失优化的结合,提升了模型对多尺度目标的检测能力,将模型的m AP@[.5:.95]提升了0.65%,m AP@0.75提升了1.41%。推断过程优化缓解了模型对重叠度较高的边框的错误抑制,有效改善对密集、重叠目标的检测。最后,针对城市道路场景下的目标检测任务,设计并实现了四旋翼无人机目标检测系统,实现了航空图像目标检测算法的落地应用,并在多个应用案例中验证四旋翼无人机目标检测系统的实用性与可靠性。