近年来,随着无人机和边缘计算技术的发展,基于螺旋翼的小型无人机应用在城市巡检、灾难救援、区域监控等领域越来越常见,目标检测技术在这些应用中发挥着关键的作用。例如通过无人机检测城市路口的车辆从而进行车流量监控,在地震、火灾等灾难场景中迅速抵达灾难区域检测待救援人员的位置。但是目前基于无人机的目标检测应用存在如下限制:1)无人机由于体积和功耗的限制,满电的一次飞行时间通常只有20～30分钟,无法长时间执行任务。2)边缘设备可以保证实时性和隐私性,但是由于体积和功耗的限制,计算能力一般十分有限,目前基于深度学习的目标检测算法部署在边缘设备上的性能不容易满足实际任务的需求。3)无人机由于在高空执行任务,其目标检测通常是对小目标的检测,目前目标检测算法对小目标的检测精度并不是很高。为了解决以上问题,本文首先利用轻量级框架、量化、并行化、按图片输入特性降低输入分辨率等优化方法大幅提高了YOLOv3算法在基于GPU的边缘设备上的部署性能。之后通过优化YOLOv3算法的预选框范围提升了其对小目标的检测能力。最后利用大量的实际飞行数据,设计出低功耗的无人机目标检测系统,提高了无人机执行任务时的能效性,使无人机在相同的能耗下,有更高的检测性能和更长的任务执行时间。本文的主要贡献如下:（1）设计了一个基于边缘计算设备的无人机低功耗目标检测系统,系统可以根据用户设定的任务目标来推荐合适的飞行高度、飞行速度、目标检测算法模型和算法采样率来使无人机在完成任务目标的情况下消耗的能耗最少。系统还支持用户自定义无人机、边缘计算设备、目标检测算法模型的参数来提供对不同的设备和模型的支持。实验表明,在对小汽车的检测中,系统推荐的飞行参数在满足任务要求的同时,相比于最邻近的飞行高度和速度组合,能耗最高降低了17.07%;在对行人的检测中,能耗最高降低了26.68%;与手动飞行相比,在能耗基本相同的情况下,可以使检测召回率提升7.37%。本系统与其他类似系统相比,不仅专门优化了目标检测算法的性能和部署表现,还以简洁的系统API来帮助用户在实际应用中应用系统。（2）建立了一个无人机和边缘计算设备能耗的计算模型,可以根据设备参数计算不同高度和速度情况下的无人机和边缘计算设备的能耗,为执行任务时能耗的估计提供了基础。同时还提出了基于能耗优先的飞行参数推荐算法,支持对不同的无人机、边缘设备、算法模型在基于能耗优先的情况下结合能耗和任务要求推荐合适的飞行参数。实验表明,相比于其他飞行参数,算法推荐的飞行参数在能耗上有所降低。（3）提出了针对无人机应用的目标检测算法在边缘计算设备上的部署优化方式,利用轻量级框架、量化、并行化、按图片输入特性降低输入分辨率等优化方式优化了YOLOv3在边缘设备上的部署性能。实验表明,在不降低精确度的情况下,算法的推理速度在NVIDIA Jetson Nano上由3.9FPS提升到了10.5FPS,在NVIDIA Jetson Xavier NX上由12.6FPS提升到了30.3FPS。（4）优化了YOLOv3算法预选框的选择范围以提高其对小目标的检测效果,利用Vis Drone数据集训练后,在416*416的输入分辨率下,AP50由11.85%提高到了18.39%。