机载平台上的目标检测一直以来都是军事领域的重要研究内容,是机载光电预警、机载光电侦查的重要组成部分。搭载在机载平台上的目标检测算法大多是传统的目标检测算法,一般由区域选择、特征提取、分类回归等部分组成,比如经典的基于目标模板匹配的策略,具有算法实现简单、检测速度快、检测效果良好等优点,但是需要一定的先验知识,并且极易出现一旦某帧检测失败后,其更新模板易受到背景污染的情况,因此需要较为复杂的模板更新策略,然而航空光电成像环境复杂,天气的变化、光照亮度的变化以及机身抖动都会对目标成像质量造成影响,同时由于机载平台本身的快速运动或者目标自身的快速运动使成像目标易发生形变,传统的算法不能获得较好的鲁棒性。因此本文研究了基于深度学习的航空对地目标检测。相较于传统的特征提取方式比如Harr、Sift、Hog等特征,深度特征的优势在于不易受物体形变、光照变化、背景干扰等变化因素的影响,但是复杂度增加了很多,需要强大的计算力支持。而航拍目标检测既需要较好的检测准确率,也需要较高的检测速度,因此本文的主要工作集中在如下方面:(1)为了应对复杂的环境变化,本文采取了一系列的数据预处理措施,包括常见的旋转、剪裁、亮度、噪声等变化的数据扩充策略,以增强模型的鲁棒性。由于是针对机载平台上的目标检测,时常面对云雾及恶劣天气的干扰,因此专门进行了去雾算法的研究,减轻天气环境因素对成像质量的影响,降低成像过程中信息的丢失,增强算法的稳定性。(2)为提高航拍小目标的检测精度,本文提出了一种多层特征融合进行目标检测的方法。其中浅层特征提取的是目标的边缘、轮廓信息,有利于实现目标准确定位。而深层特征提取的是目标的语义、环境信息,有利于实现目标的精确识别。因此充分利用目标的深浅层特征可以更好的获取更多的目标信息,弥补了YOLO算法对于小目标检测的不足,并且在最终输出目标时引入改进的非极大值策略以改善目标重叠的影响,使检测精度在自制数据集上达到了0.63mAP。(3)为减低模型存储需求,提高检测速度,本文将奇异值分解策略应用于特征图,其中浅层特征图压缩效果达到80%以上,深层特征图压缩效果达到30%以上,同时整个模型的检测速度可以达到18fps。