交通运输与人类生活密切相关,但随着经济的发展,由汽车数量的快速增长引起的道路拥堵、事故频发等交通问题日益严重,许多国家开始逐步建立智能交通系统解决这一矛盾。车辆检测模块属于智能交通系统中重要部分,准确而又高效的检测方法对于实时分析当前交通状况具有重要意义。传统车辆目标检测方法需要根据不同图像中的车辆特征设计识别规则,适应性及检测效果均不理想。而近几年来迅速发展的深度学习在计算机视觉领域成果斐然,在图像识别方面更是大放异彩。本文采用深度学习方法用于无人机影像中车辆目标的检测,主要进行了以下工作:1)以分辨率较高且较易获取的无人机影像作为数据源,分析车辆在影像中的特征,在此基础上,研究了无人机影像中目标的检测过程。利用该影像制作包含车辆类别和位置信息的训练样本数据集,并用该数据集对深度学习检测模型进行训练和检测。2)以面向对象方法为例,介绍传统方法提取车辆的过程和特点:首先根据车辆的光谱和空间分布特征,对影像中的地物进行分割和特征提取,并结合目视判读的方法分别提取影像中亮色和暗色车辆。3)采用深度学习模型进行车辆检测:利用RPN在样本图像中生成一系列候选区域,然后将生成的候选框与样本图像输入到Fast R-CNN进行分类得到物体类别和位置信息。将样本数据输入到模型后,首先对输入图像进行卷积运算得到该图像全局卷积特征,然后由RPN在该特征图上以滑动窗口形式对图像特征进一步计算,并在窗口中心生成一系列包含目标的候选框,再用Fast R-CNN对候选框中的特征分类,最终输出包含目标的候选框和置信度。为降低该模型训练难度实现端到端优化,Faster R-CNN通过将RPN与Fast R-CNN中部分卷积层的特征共享从而使候选区域生成过程和物体分类过程统一起来,增强了其泛化能力,并在样本集上取得了较好的检测结果。通过在数据集上对两种方法进行验证,实验结果表明,Faster R-CNN网络能够有效提取影像中的车辆目标。与传统的车辆分类算法不同,深度学习方法避免了人工设计目标特征,使模型具有更好的泛化能力和实用性。