无人机技术的逐渐成熟以及深度学习的迅速发展,使得研发智能化的无人机成为可能。然而,由于嵌入式设备的内存和计算能力有限,通过在无人机平台上部署目标检测进行实时场景解析极具挑战性。现阶段基于深度学习的主流目标检测算法基本可以分为Two-Stage算法和One-Stage算法两大类,Two-Stage算法检测精度高但是检测速度慢,One-Stage算法检测速度快但是检测精度有所欠缺。本文结合这两种算法的优势,利用对象性先验来增强One-Stage算法的检测效果,研发了一套基于对象性增强模型的机载多波段目标检测系统。本系统在无人机上搭载由红外热像仪和可见光相机组成的共光轴图像采集设备,利用嵌入式平台实现全天候实时目标检测,并将目标检测结果实时反馈给无人机飞控模块。本文研制的系统为无人机提供了视觉感知能力,使得无人机更加智能。主要研究工作如下:（1）本文在One-Stage目标检测算法的框架下引入语义分割的思想,设计了对象性估计模块,形成对象性增强目标检测算法OEDet（Single-Shot Detector with Objectness Enhancement）。对象性估计模块对全图像素点进行对象性的预估,输出每一类目标的目标分布概率图来为目标检测任务提供像素级对象性先验并抑制背景特征对检测结果的干扰。（2）利用空洞卷积设计了多尺度融合模块。多尺度融合模块整合不同尺度的特征信息来增强One-Stage检测网络浅层特征的多尺度信息,以提升目标检测的准确率。（3）研制了一套基于深度学习的机载多波段目标检测系统。论文立足于OEDet算法,基于模型压缩的方法,提出了轻量型对象性增强目标检测算法OEDet-Lite,以适应无人机航拍目标特性以及嵌入式平台计算资源。经在公开数据集VOC和COCO上进行的实验验证,512×512的输入图像尺寸下本文的OEDet目标检测模型在VOC2007-test上mAP高达81.7,在COCO test-dev2018上mAP高达32.8。OEDet相比目前的主流One-Stage算法具有更高的准确率,相比目前的主流Two-Stage算法具有更快的检测速度,达到了目标检测精度与速度的平衡。在系统航拍的可见光与红外车辆数据集上,本文OEDet-Lite无人机航拍车辆目标检测模型（参数量:14.22M,计算量:0.4712G,VIS mAP:88.94,IR mAP:89.46）对比主流One-Stage目标检测算法SSD（参数量:23.75M,计算量:30.45G,VIS mAP:88.06,IR mAP:90.03）取得了显著提升。