传统固定道路监控方式存在反馈信息不及时性以及监测范围存在一定的盲区性问题,满足不了日益发展的道路交通管理要求。无人机灵活性强,轻巧便携、可以方便搭载摄像头进行航拍车辆检测,已成为新型智能交通管理系统中重要的发展方向和研究热点。由于实际道路交通环境复杂变化,对无人机拍摄成像质量影响较大,存在小目标检测酒精度不高以及相距较近车辆存在漏检和车辆位置定位不准确等问题,本文开展了基于深度学习的无人机航拍图像检测与识别研究,主要研究内容如下:针对丘陵区域中交通道路环境存在团雾和低照度,影响了航拍图像质量,提出了一种基于AOD-Net的去雾算法,采用卷积神经网络进行K值估计,避免通过计算中间参数造成误差放大对图像去雾效果造成影响,提高了去雾算法的速度改善了图像去雾效果;针对低照度图像,采用基于改进的直方图均衡化与拉普拉斯锐化相结合的方法,最后通过实验验证了本文所设计的图像预处理算法在不影响航拍检测速度的前提下,对目标检测算法精度有一定的提升作用。针对无人机进行交通道路监控航拍时,采用传统方法对图像中的小目标车辆检测存在准确率不高的问题,在YOLOv3网络的主干结构Darknet-53的最后残差模块中追加1个1*1和3*3的卷积层,在不损失分辨率的前提下增加非线性激励,以增加通道间的信息交互能力,提高表达能力;并在保留原网络三层采样检测的前提下,将网络的第36层与11层进行拼接融合,以提高对小目标的检测精度。采用YOLOv3算法对图像中相距较近车辆进行识别时,容易误认为是同一辆车而导致漏检,本文提出了一种基于改进非极大值抑制的预测框生成算法,它将所有候选框与置信度得分最高的候选框进行交并比后将大于一定阈值的候选框没有直接置零,而是通过高斯加权,对候选框的置信度进行重新构造优化。针对车辆位置定位精度不高的问题,在目标检测网络输出中引入正态分布,将通过正态分布产生的标准差作为定位置信度来提高检测框定位的精确度,同时采用了一种基于anchor的候选框生成算法,通过最大最小距离积法对聚类中心重新初始化来减小聚类对初始值的敏感问题,从而来提高边界框的检测精度,以便更加精确的锁定车辆位置。最后,在基于Darknet源码框架下构建了改进网络并进行了训练,获得了训练后的权重文件,然后利用改进网络对无人机航拍采集的图像进行实验。结果表明,与之前的检测算法比较,本文提出的基于复杂环境的目标检测算法在满足道路监控实时性的前提下,使整个检测精度有了2.25%的提升。具有较好的检测与识别性能。