无人机可以为深入理解和分析行人行为供独特视角,基于无人机影像的行人定位与识别已经成为无人机图像处理的热门研究领域。而人作为社会活动和军事活动的主体,对其在无人机视角下进行准确且快速的检测与识别具有重要的实用价值。针对无人机场景下的行人目标具有密集、遮挡严重、特征模糊、尺度变化大、中小目标多等特点,并考虑到实际应用的高效性,本文对现有的通用目标检测方法进行了深入探索,并出了一系列高效的基于深度卷积神经网络的无人机行人检测算法。本文主要的研究内容如下所述:（1）出了基于改进YOLOv4-tiny的无人机行人检测方法。针对基于深度学习的检测方法在嵌入式平台上性能受限这一问题,该方法通过引入结构重参数化改进骨干网络CSPDark Net19以高模型的特征取能力和运行速度。与此同时,引入K-Means++算法改进锚框聚类算法的聚类中心初始化策略以高锚框聚类算法的稳定性,并使用遗传算法优化锚框聚类结果。最后,在收集并采用水平框标注的无人机行人数据集上进行实验,证明了所方法的有效性。（2）出了基于特征增强与自适应注意力的无人机行人检测方法。针对无人机成像特点对行人定位与识别带来的干扰问题,该方法采用轻量级PAFPN的架构实现特征融合,引入即插即用的特征增强模块增强检测特征图中的中小目标特征信息。之后,加入自适应注意力模块缓解特征融合过程中特征通道减少带来的信息丢失。实验证明,该方法可以有效减少中小目标的漏检。（3）出了基于轻量级解耦检测头的无锚框无人机行人检测方法。针对基于锚框的检测方法泛化性差这一缺陷,该方法基于像素点进行分类与边界框回归,通过增加正样本的数量来高多尺度目标检测性能。该方法引入基于深度可分离卷积的轻量级解耦检测头来避免分类任务和回归任务的特征冲突。与此同时,为了升训练模型的收敛速度和稳定性,引入了基于辅助学习模块的训练策略。该方法充分利用了无锚框检测方法简单、高效、快速的特点,并与辅助学习模块相结合,有效的高了检测算法的整体性能。