近年来,无人机由于其强大的机动性和实用性被广泛应用于交通监控、安全防控以及摄影测绘等诸多领域。其中,无人机视角下的车辆实时检测是车辆跟踪、实时路况获取以及安全巡查等许多应用方向的关键核心技术,具有实际的研究意义和应用需求。但是,由于无人机所拍摄的高度不定,场景复杂多样化,加上外部多变的环境因素如恶劣的天气和建筑物的遮挡等的影响,使其拍摄的车辆目标存在遮挡、模糊、尺度较小以及背景复杂等实际问题,从而给无人机视角下车辆目标实时准确的检测带来了诸多的挑战。本文从无人机车辆目标存在的这些实际困难出发,利用适合于小目标车辆检测的高级语义上下文信息、中低级信息、以及其它丰富的特征信息去构建相应的深度学习框架,分别提出三种不同特征层面的多尺度特征预测的无人机视角下车辆目标的实时检测算法。其主要内容包括以下三个方面:第一,针对无人机视角下大部分车辆目标存在尺度较小,具有复杂背景以及难易样本不平衡等的实际检测难点,本文利用车辆目标的有效上下文信息构建多尺度特征融合的弱小目标车辆实时检测算法。与经典的自顶向下多尺度特征融合算法思想不同的是,本文将浅层特征与其相邻深层特征进行融合,目的是为了能够给弱小目标车辆提供合适有效的高级语义上下文信息而不会引入太多背景干扰,同时可以形成多尺度特征金字塔去解决车辆尺度多样性的问题;此外,根据无人机拍摄图像数据集中所有目标尺度的分布以及车辆目标在卷积神经网络中实际感受野大小进行相应的锚框设计,以提高车辆目标召回率。最后,针对训练过程中存在大量简单样本与少量困难样本之间的不平衡问题,提出一种交叉熵损失函数与焦点损失函数交替训练的策略,自适应地提升困难样本的训练权重,从而提高网络检测性能。实验结果表明,提出的车辆检测算法初步解决了无人机视角下车辆目标尺度小以及难易样本不平衡等所带来的检测问题,能够实现车辆的准确实时检测。第二,针对只考虑高级语义上下文信息传递的检测算法,难以实现车辆目标的精确识别定位问题,本文利用能够精确描述车辆目标的中低级特征信息和能够区分其他类别的高级语义信息完成目标特征的信息双向传递,同样在基于锚框设计的基础上,提出一种特征信息增强的多尺度特征融合的车辆目标实时检测算法。该算法主要设计一种轻量级多尺度特征网络提取有利于车辆目标定位的中低级特征信息,并将其嵌入到主干神经网络中,同时利用主干卷积神经网络提取有利于车辆与背景或其它类别分类的高级语义信息;此外,为了保证轻量级特征提取网络能够提取到车辆目标更为丰富的中低级特征信息,本文采用多路空洞卷积进行特征提取,并设计有效灵活的特征融合模块,将轻量级特征提取网络引入的中低级特征信息较好地融入到主干网络中增强车辆目标的判别性特征。最后,设计一种通道特征增强模块抑制冗余特征,进一步提高车辆目标的辨别性。实验结果表明,提出的检测算法能够较好地实现无人机视角下车辆目标的实时准确识别定位。第三,针对无人机视角下车辆目标基于锚框设计的检测算法中,存在正负样本不平衡、复杂的锚框设置、过多的相关计算量以及车辆尺度变化较大时不利于小目标的检测等问题,本文引入无锚框回归机制在一定程度上增加正样本的数量,从而丰富车辆目标特征信息,可以缓解训练过程中正负样本不平衡问题,以及避免锚框的相关设置。然后,本文设计了一个能够与无锚框机制相适应的简单有效的主干卷积神经网络,目的是能够为车辆保留精细的位置信息以及能够提供与目标车辆相匹配的感受野;同时,提出一种多尺度语义增强模块,可以在不降低预测层分辨率的情况下,增强多尺度车辆的判别性特征表示。实验结果表明,该方法能够大幅度地提升无人机视角下车辆目标检测的整体性能,且能够达到实时的检测速度,特别是对于更小型的车辆目标,其精度比其它现有方法约高2%左右。综上所述,本文提出的检测算法能够对无人机视角下的车辆目标达到高精度的实时检测,使其在更为复杂的交通环境中表现出更为理想的检测效果奠定了坚实的基础。