随着无人机技术和计算机视觉技术的快速发展,赋予无人机（UAV）视觉感知和认知能力正在成为一个热门研究方向。目标检测作为计算机视觉领域的主要研究内容,是许多计算机视觉应用的基础任务。因此,研究如何在无人机航拍图像上实施高效目标检测对无人机应用的发展尤为重要。由于拍摄高度的原因,航拍图像中的很多目标在整张图像中所占的比例远小于一般数据集中目标所占的比例,因此航拍图像中存在很多小尺寸目标。这些小尺寸目标缺乏足够的细节信息,这导致它们容易被错误分类。为了补偿小目标的信息丢失,本文使用超分辨率（SR）重建技术在目标检测的过程中提高小目标的特征分辨率。为此,本文首先提出了一个具有生成对抗网络（GAN）结构的超分辨率重建网络,并将它命名为WD-SRGAN。在WD-SRGAN的框架中,使用WDSR作为生成器对输入图像进行超分辨率重建,并使用相对平均鉴别器（Ra D）作为鉴别器为超分辨率重建算法引入对抗损失,这个损失迫使重建后的图像尽可能地与真实高分辨率图像相似。此外,本文还为超分辨率重建算法增加了基于VGG网络特征映射计算的损失函数。接着,本文选择Faster R-CNN作为基准检测网络,将在WD-SRGAN框架中经过充分训练的生成器WDSR嵌入到Faster R-CNN之中,利用超分辨率重建网络对候选区域的特征进行上采样。上采样后的特征图具有更大的尺寸和更多的细粒度信息,便于检测网络将其中的目标正确分类。在Vis Drone航拍数据集上的实验结果显示,与原始Faster R-CNN相比,用超分辨率重建网络扩展后的Faster R-CNN检测性能明显升高,其中小尺寸的行人和汽车的平均精确率分别从15.71%和12.28%提升至32.56%和23.16%。小尺寸目标的特征难以被特征提取网络获取,经过特征提取网络的卷积过程之后,小尺寸目标在特征图中的尺寸会更小,导致小目标容易被区域建议网络（RPN）忽略掉。为了增强网络对小目标特征的提取能力,本文基于选择性卷积核和特征融合优化Faster R-CNN。首先,使用可以自适应选择卷积尺寸的SKNet代替Res Net作为Faster R-CNN的主干网络,以捕获不同尺度目标的特征。同时,结合使用一种基于超分辨率重建的特征融合技术EFPN在不同的尺度上提取特征。在Vis Drone数据集上的实验结果显示,SKNet和EFPN的应用将平均精确率50和平均召回率100分别从15.63%和12.23%提升至42.43%和28.92%。在此基础上叠加WDSR,最终的50和100分别为47.85%和33.47%。