本文以无人机航拍图像为背景,以目标检测与识别为研究目标,重点解决目标检测与识别过程中摄像机与目标存在相对运动、特征提取难、目标检测与识别精度不高的问题,进而有效提升目标检测与识别算法的速度和精度。根据以上要求,本文的研究内容主要集中在以下三个方面:针对非线性尺度空间KAZE特征检测算法特征提取速度慢、特征描述算子计算复杂的问题,本文通过快速显示扩散滤波算法对原算法的非线性尺度空间迭代步长进行了重新定义,并通过二进制特征描述子将原算法64维的特征描述算子重新采用八位二进制特征描述算子表示,不仅改善了原算法特征提取耗时长的问题,也减少了特征匹配的运算复杂度,进一步提升了特征匹配准确率与速度,在整体上提升了KAZE算法的性能。在目标检测方面,由于摄像机与目标之间存在相对运动,目标容易形变,外部环境复杂,受到噪声干扰大等问题,本文在改进后的具有尺度与旋转不变性的KAZE特征算法的基础上,对特征点3×3邻域像素的二阶自相关矩阵进行判断,剔除了较敏感的特征点;然后采用金字塔光流算法跟踪滑动窗口帧间的特征点,通过计算滑动窗口帧间特征点位移矢量来补偿了摄像机运动,在此基础上通过单应矩阵模型改善了传统的基于帧间像素位移的图像配准方法,能够有效消去大量背景区域,提高了前景分割精度和准确率。在目标识别方面,针对传统算法在整个图像域搜索目标进行识别,造成了效率与精度低下的问题,首先,采用超像素迭代聚类分割算法得到了初始的超像素区域;其次,通过区域邻接无向图模型对分割区域进行了融合,并进一步通过最佳阈值判别,最终将候选区域数量大大减少,提高了目标搜索的效率;然后,通过金字塔直方图对图像不同尺度下的RGB-KAZE特征进行了计算,最终利用SVM分类器生成了基于空间匹配的金字塔直方图字典,并利用该模型成功的对多数量的目标完成了识别。以上的实验结果都在CPU 2.4GHZ Intel i3的PC机上利用MATLAB2016与Visual Studio2017平台完成了仿真实验。通过本文所用到的算法在无人机实际航拍图像和VOC 2010标准库上完成大量的实验分析也是本文研究的重要组成部分,充分地说明了本文算法的可靠性。