基于无人机或卫星航拍图像的地面目标检测识别，对于公共安全、地面侦察、交通疏导等方面都有重要意义。但是地面目标尺寸小、部分视角遮挡严重，导致目标可提取的特征少，而提升网络提取特征的能力，又会额外增加计算成本和运行时间，因此如何在提升小目标识别能力的同时减少计算量成为目前的研究热点。针对该热点问题，本文主要完成了以下几个方面的工作：
　　首先，分析了常用的目标检测识别框架，通过对比选择了精度较高且速度较快的Lighthead-RCNN 作为基础算法框架，并根据地面目标识别的任务特性，对算法框架进行了改进。通过数据集聚类产生更合适的先验框，提升了小目标检测识别精度；引入空间注意模块，利用RPN(Region Proposal Network)学习到的前背景先验知识优化特征的空间分布；在ROI池化时使用PSRoiAlign替换PSRoiPool，改善候选框池化时因为取整产生的失真和对偏问题，从而提高了小目标的感知能力和定位精度。算法框架改进前后的对比实验，验证了改进方法能在不改动骨干网络的前提下有效提升算法的精度。
　　然后，提出了一种计算高效的轻量级特征提取骨干网络Dense Residual ShuffleNet (DRSNet)。在ResNet残差结构的基础上加入了DenseNet的密集连接，提出了特征复用的密集融合层，提高了计算效率；在FPN(Feature Pyramid Networks)结构的基础上提出了阶梯状多尺度融合结构，提升了特征融合效果；通过分析比较选择了 ShuffleNetV2中的基础模块作为网络的轻量化卷积模块，进一步减少了网络的计算量和参数量。实验结果验证了，在改进的算法框架下，DRSNet相对其他骨干网络在精度、速度和计算复杂度上的优势。不同数据集上不同算法的实验，验证了本文算法的鲁棒性以及相对其他算法的优越性。
　　最后，针对不平衡和遮挡问题进一步优化提升算法精度。使用难负例挖掘缓解前背景不平衡后，针对前景类别间不平衡的情况，在对RPN产生的候选框采样时引入了平衡采样，提高小数量类别目标的采样概率，从而提高小数量类别识别精度；针对遮挡下识别精度低的情况，引入了Soft-NMS取代NMS，通过高斯加权来调整候选框得分完成筛选，避免了遮挡下由于目标重叠过大造成的漏检。改进前后的精度对比实验，验证了不平衡问题和遮挡问题的优化对提升算法精度的有效性。