随着经济水平的不断提高,中国的基础建筑行业发展迅速,城镇建筑的扩张速度也越来越快,在乡镇地区搭建和扩建房屋的现象更加普遍,部分建筑的搭建并未得到相关部门的许可,不符合有关的规章制度要求,居民的财产和生命安全存在较大隐患。传统的人为检查方法效率较为低下,无法实现快速排查的需求。无人机技术近年来发展迅速,在军事和民用领域都得到了广泛的应用,如电力巡检和地形勘测等。在计算机视觉领域,深度学习算法不断更新发展,目标检测技术日趋成熟,本论文主要是针对无人机航摄下的房屋目标检测算法进行研究与改进,主要的研究内容如下:深度学习技术需要海量的图像数据进行训练,本论文以某电力公司采用无人机拍摄的巡检视频资料为基础,针对不同拍摄地区的特点对图像进行图像增强等预处理操作。对各地区图像中的房屋建筑目标进行分类,对图像数据进行扩充处理,制作原始分析数据,并对其进行标注获得类别标签,制作符合课题要求的房屋数据集,为后续模型的训练做好准备。针对房屋建筑的特点,本文在以深度学习为基础的基于回归的目标检测算法中选择YOLO v5算法进行研究,将房屋数据集投入到YOLO v5网络模型中进行训练,通过目标检测中的多项评估指标对测试结果进行分析与讨论。针对部分地区图像分辨率较大但房屋目标较小的特点,提出了对网络模型的改进算法。其中浅层特征图中具有更为清晰的位置信息,在YOLO v5原始模型的基础上增加输出特征尺度,对小目标房屋的检测效果更好。同时在YOLO v5模型的输出部分对位置损失函数进行优化和改进,进一步提高了房屋建筑的检测精度。将YOLO v5原始模型、改进后的模型和目前主流的目标检测算法在多个方面进行对比实验,本论文采用的网络模型都能够实现较好的目标检测效果。