本中国无人机厂商所生产的各类产品正在满足越来越多的行业需求,如紧急救灾、警务安保、土地测绘、电力巡检、农业植保和交通监控等。这使得无人机的应用具有广阔的市场需求和未来前景,在将计算机视觉中的深度学习技术和无人机航拍技术相结合的智能系统中,对所得图像中的目标进行检测与识别是其中举足轻重的步骤。在常规场景目标检测任务中检测结果良好的模型在航拍图像检测中结果通常一般。因此针对航拍场景中检测对象的特性来构建相对应的检测模型具有很大的研究意义。本文从多个角度对现有模型进行分析,然后对所存在的问题进行改进,设计并实现了一阶段无锚点框检测模型,并且使得检测精度较基准模型有所提升。本文的主要工作包括以下几个方面:（1）本文提出了多尺度特征和预测融合网络来构建特征金字塔构,能够将高低特征层的通道信息充分利用,使得最终构建的特征金字塔的各层级特征图更具表征能力,提高目标检测精度。通过在Vis Drone2019数据集上进行消融实验,证明本文所提出的多尺度特征和预测融合网络能够使得检测精度有所提高,相比基准检测器精度提高了5.3%。（2）本文提出了一种基于亚像素卷积的上采样方法,它与反卷积大不相同,不会被棋盘伪影所影响,降低重新构建高分辨率特征的功能,这种上采样方法可以大大提升所构建特征金字塔的能力。通过在Vis Drone2019数据集上进行对比实验,证明本文提出的上采样方法能够有效提升检测精度,比反卷积方法AP值提高0.9%。（3）本文使用了一种无锚点框检测模型,不需要对锚点框的超参调整优化,模型调整参数的困难程度下降。与使用锚点框的检测模型相对比,本文设计的一阶段无锚点框检测模型可以大大提高检测精准度,并降低模型复杂度。实验结果表明,与基于锚点框的检测模型相比,本文提出的模型在Vis Drone2019、UAVDT和DIOR上检测精度分别提高1.8%、0.5%和0.7%。并且在英伟达GTX 1080Ti独立显卡上的推断速度达到11.7FPS,相比基于锚点框的检测模型提升1.1FPS。