伴随着城市化进程的不断加快,智慧城市和智慧交通已经成为发展的必然趋势,车辆的检测和分类在这两个“智慧”当中扮演着重要角色。近年来,随着无人机技术的蓬勃发展,基于无人机的航拍图像车辆检测技术已经获得了广泛的应用。但是无人机在高空中拍摄的图像中的车辆存在分辨率有限,分布密集和背景复杂等诸多困难因素,传统的特征提取和检测方法的效果不佳。针对这些问题,本文基于深度学习的方法开展了以下研究:1、针对目前基于矩形框的检测方法难以在目标分辨率有限且分布密集等场景下取得优异性能的问题,提出了基于热力图的目标检测方法。本文采用一种二维椭圆函数结合车辆的角度、中心位置、长度和宽度等信息生成每个车的热力图并将其视作标签。基于热力图方法,可以避免一般深度学习目标检测算法所必须的一系列复杂算法,比如锚框的生成算法和最大值抑制算法。实验结果表明,基于热力图的检测方式所获得的性能优于矩形框的方式。同时,本文将从算法层面上使用两种不同的方式来减轻样本数量失衡问题所导致的性能影响。2、为了能使模型应用在无人机等内存有限的设备中,本文提出了一种全卷积轻量化金字塔网络。该网络通过下采样和逐步加深通道的卷积方式来获得充分的语义信息,然后再逐步上采样并跳跃连接下采样阶段的特征图来结合语义信息和空间信息,从而提升航拍车辆的检测效果。本文的模型没有采用任何一种预训练模型,也没有引入全连接层和分类器。实验结果表明,本文提出的模型不仅实现了轻量化,还取得了优异的检测性能。3、根据应用场景的不同,比如检测和分类等场景,本文可以分别采用单通道和多通道热力图等两种方式。针对车辆分类等场景,引入额外的优化模块来融合多尺度信息。实验结果表明,优化模块的引入提升了航拍图像中车辆的检测和分类性能。