目标检测通俗来说,便是找出图像中指定的目标,同时需要找出目标位置和大小。目标检测的根本内容便是“什么目标在哪里”。对于小目标的定义一般有两种,一种是COCO数据集[1]中定义的,物体像素值小于32×32,另一种定义方式是目标的宽和高均在原图十分之一以下,满足以上两种条件之一,则定义为小目标。随着科技的发展,高分辨率航拍图像可用性越来越高,其中包含了大量安全、土地开发、疾病控制、缺陷本地化、监视等相关信息。但是,这些数据是高度非结构化的,因此很难从大规模的数据中提取有用的信息,甚至需要密集的手工分析。例如,对于城市土地进行分类这一工作,需要专业人员来操作。因此,这项任务必然效率低下并且价格昂贵的。而无人机影像中的目标大多都是小目标,为了将深度学习使用到无人机影像的小目标检测中,本文选择了开源数据集Vis Drone作为训练集。针对无人机影像中小目标检测的难点以及数据集中存在的难点,本文提出了改进的方法。本文主要从以下几个方面开展工作:（1）本文针对目标检测模型中对于小目标存在定位不准的情况,设计了注意力机制。本文的自注意力机制十分灵活,可以灵活融合到其他检测模型中。并在一阶段和二阶段的方法中验证了本文注意力机制的有效性。（2）本文针对无人机影像中存在的光线明暗变化,导致小目标检测困难的问题,提出了特定的数据增强操作（对目标进行随即旋转,对小目标进行放大,随即增加噪声,调节光照和对比度）进行解决。（3）针对目标检测模型中人为设定Anchor大小常常与数据集中小目标不匹配的问题,本文提出了使用Anchor自适应生成方法,使得生成的Anchor大小更匹配当前数据集,来提升小目标检测精度。（4）针对这边对于现实世界中普遍的样本不平衡和类别不平衡问题,本文提出调整损失函数的方法,使用focal loss来改善数据集中的样本不平衡问题。（5）针对目标检测数据集中普遍存在的检测框重叠现象,本文提出使用Softer-NMS策略来解决该问题。本文基于VisDrone数据集,根据本文所提出的模块做了充分的实验,验证了本文所提出的各个改进方案对于无人机影像中小目标检测的难点的帮助。