航拍图像目标检测广泛应用于军事侦察、地质勘探、公安侦查等领域,是近几年计算机视觉领域的研究热点之一。随着时代发展与科技进步,无人机技术发展愈加成熟,航拍图像空间分辨率越来越高,图像的细节信息越来越丰富,为基于航拍图像的多尺度类别目标检测技术提供了可行性。深度学习领域快速发展,基于卷积神经网络（convolution neural network,CNN）产生了一系列的目标检测方法,目标检测技术的发展对航拍图像目标检测具有重要指导意义。但航拍图像具有背景复杂、目标尺度变化大、识别难度大且普遍较小、在空间上分布不均等问题,一些常用的目标检测技术不能有效处理上述问题,直接将算法应用于无人机领域效果较差。因此,本文在现有目标检测技术的基础上,分析算法的缺点与不足,从多尺度航拍目标的检测算法和旋转目标检测算法两个角度对其进行相应的改进,提出了联合注意力的多尺度无人机航拍目标检测算法以及基于旋转框的航拍图像目标检测算法。本文的研究内容主要包括:1、针对复杂背景下多尺度航拍图像的检测难点,本文以目前流行的单阶段检测SSD算法的网络框架为基础,设计了基于联合注意力多尺度卷积结构的目标检测网络RCBnet（Receptive Field Convolutional Block Network）。在该模型中,（1）为了加深网络、增强网络的特征提取能力和合理利用低层特征信息与高层特征信息,RCBnet使用Resnet-50作为主干网络,通过特征融合方式融合低层和高层信息;（2）为了更好地学习无人机航拍情况下多尺度目标特征,构建一种联合注意力的多分支卷积结构对融合后的卷积层继续进行特征提取;（3）为了处理正负样本不平衡问题,该算法通过引入Focal Loss损失函数使算法侧重训练困难分类样本,抑制容易分类样本。为了验证该算法的有效性,在TGRS-HRRSD-Dataset数据集上进行训练和测试,实验结果表明,本文方法优于其它常用的基于深度学习的目标检测算法。2、针对旋转目标的检测问题,将改进网络RCBnet设计成基于旋转框的目标检测网络的Rotation-RCBnet,增加了模型对旋转目标的检测能力,有效地解决了水平框检测产生的密集目标漏检问题。本文采用介绍的长边定义法定义旋转锚框,针对旋转目标的角度预测,采用角度回归预测或角度分类预测来求解,用这两种预测方式分别搭建网络,在处理后的DOTA数据集对这两方式进行对比实验,可选出精度最好的一种方式,验证了Rotation-RCBnet网络检测航拍旋转目标的可行性,本文方法相较于传统旋转目标检测方法具有更强的检测能力。