目标检测是计算机视觉领域的重点之一,在目标检测中,小目标检测任务由于信息少、尺度小、分辨率低等特点而具有一定的挑战性。同时随着无人机技术的发展,对无人机摄像视频的检测需求也在增加。无人机视角的目标检测是一个典型的小目标检测任务。因此本文针对无人机视角的小目标检测任务提出改进方法。主要工作如下:（1）介绍已有无人机视角车辆数据集与其缺点,本文通过融合公共数据集与自标数据集构建了混合数据集,并且提出了基于尺度大小的自适应加权算法。由于已有的公共数据集在场景变化、分辨率、光照等方面特点不同,所以本文自主采集和标注了部分数据集,将自主标注数据集与公共数据集融合构建了混合数据集,以此作为本文实验的数据基础。本文通过统计结果发现尺度大小与尺度损失的不平衡关系,并在特定条件下证明了尺度大小与尺度损失的关系。在此基础上提出了基于尺度大小的自适应加权算法。在混合数据集上的对比试验表明,该方法能够在精度均值指标上产生2%的提升,证明了该方法的有效性。（2）本文针对无人机视角的小目标检测任务的特点对网络进行修改,根据boosting算法的级联加权方法和正负样本不平衡问题提出基于正负样本不平衡的级联加权算法。由于无人机视角的目标尺度较小,目标分布位置多,因此原有的网络结构与小目标的特点不符合,所以对网络进行修改。受boosting算法的启发,本文提出级联加权方法,通过回归损失与置信度损失计算权重,在训练过程中对损失函数进行加权。在小目标检测中,基于密集采样的目标检测器会使得正负样本不平衡问题比较明显,所以本文提出基于正负样本不平衡的加权算法。综合以上策略,本文提出基于正负样本不平衡的级联加权算法。在实验中,本文验证了本文提出的方法的效果,在混合数据集上获得了1.34%的提升。（3）本文介绍了传统的数据增强方式与一些高级数据增强方式,受这些高级数据增强方式的启发,本文提出基于图像融合的数据增强方法。通过进行目标融合获得增强数据。本文利用基于增强数据构建的数据集进行训练,在精度均值方面提高了3%,这验证了本文提出的数据增强方法的有效性。