近年来,智能交通系统的有关研究受到了各界学者的广泛关注。其中,准确实时地对道路中的车辆检测是构建智能交通系统必不可少的重要环节。然而,在固定位置安装视觉传感器对道路交通中车辆进行检测的传统方法覆盖范围小,灵活性差,且成本较高。随着无人机技术的不断提升,基于无人机搭载视觉传感器对道路车辆检测研究成为近年来的研究热点。与固定位置安装摄像头相比,无人机航拍方式可以提供更大视角、更广范围,且具有更高灵活性,可快速应用在关键道路区域和突发交通场景。但在充分发挥无人机航拍的大视野和高度灵活性优势的同时,该视角下的高分辨率图像中占比高且具有稀少特征点的小尺度车辆目标以及大多应用场景的快速性要求也为车辆的准确和实时检测带来了挑战。当前随着深度学习技术的快速发展,卷积神经网络凭借其强大的特征提取能力使其较以往基于目标运动特征检测与传统机器学习的方法在检测性能上拥有更大优势。但在无人机航拍视角下,由于图像分辨率较大且大部分车辆目标尺度较小,将经典的卷积网络算法直接应用于车辆检测在精度和速度上难以取得较好效果。为解决上述问题,本文从卷积网络检测器针对性优化与基于目标分布特征的航拍图像自适应切分两个角度综合考虑,研究了基于目标空间分布特征的无人机航拍车辆实时检测技术。主要研究内容如下:（1）基于单阶段卷积神经网络研究了无人机航拍车辆实时检测方法。以单阶段目标检测框架SSD为基础,将标准卷积操作优化为高效的深度可分离卷积,为降低特征提取中因不断进行降采样而引发混叠效应所造成的背景噪声引入对航拍图像中小尺度车辆目标特征提取的干扰,在池化层前设计可学习抗混叠低通滤波模块进行优化,搭建航拍车辆检测网络E-SSD。针对航拍数据集,利用Kmeans++聚类算法得到适应航拍场景车辆检测任务的默认候选框参数信息,并对E-SSD网络进行实验。与标准SSD网络相比,E-SSD网络速度得到大幅度提升,达到了71fps,精度提升了4个百分点,为后续检测网络搭建提供了高效检测器。（2）基于条件生成对抗CGAN思想研究了无人机航拍车辆密度估计方法。为得到航拍图像中车辆的准确分布特征,生成高质量的车辆密度图,采用U型的编码-解码结构,并在编码与解码结构中引入混合扩张卷积HDC与残差块,构建密度估计网络生成器,同时利用基于Patch GAN的鉴别器对密度图真值与生成器结果进行鉴别,依据目标函数不断优化调整密度估计网络的权重参数,从而提高生成航拍车辆密度图的质量,实验表明所搭建的航拍车辆密度估计网络生成的密度图较现有方法有一定提升,为后续准确实现图像切分奠定了基础。（3）基于目标空间分布特征研究了无人机航拍车辆检测方法。将优化后的高效检测器与无人机航拍车辆密度估计网络结合,利用密度估计网络得到的车辆空间分布特征进行自适应切分研究,并将切分后局部图像与全局图像一同输入高效检测器,最后基于Soft-NMS算法在决策层融合检测结果,由此实现对航拍视角道路交通场景下车辆目标的精确高效检测。该方法利用目标分布特征对输入的航拍图像进行自适应切分,从根本上丰富了车辆目标,尤其是小尺度目标的细节特征信息。设计相关实验对整个网络检测性能进行分析,实验表明本文设计的基于目标空间分布特征的无人机航拍车辆检测网络DF-Net进一步提高了航拍图像中车辆目标的检测精度,并保持了较好的实时性。