近年来无人机技术快速发展,无人机不仅应用于国防,在商业中也有广泛的应用,甚至日常娱乐也能看见无人机的身影。随着无人机在各行各业中的应用和近年来人工智能的发展,无人机需要具备自主规划航线等功能。所以需要无人机在飞行作业过程中对低空中可能出现的飞行目标进行检测。本文主要研究并改进了SSD目标检测算法,将其应用于无人机目标检测。首先,制作了包含旋翼机、热气球等六种目标类别的数据集,用于训练和验证模型性能。分析了损失函数中位置回归损失的特点,位置损失采用Smooth L1函数的缺点是忽略了检测框四个参数的相关性,针对这个问题通过引入广义交并比来对总损失函数进行改进,广义交并比损失不仅考虑了预测框和真实框的重叠部分,还考虑了不重合部分,并且对目标的尺寸不敏感,有利于提高小目标的检测准确率。实现了SSD算法在目标数据集上的应用,为后续算法优化奠定了基础。其次,SSD算法将不同深度的特征图直接用于检测,但浅层的特征图以位置、纹理等信息为主,深层的特征图语义信息更丰富,单层特征图直接用于检测,特征利用率低且单一。通过添加两个特征融合模块对SSD算法进行改进,融合模块生成的特征图的信息相比融合之前更加丰富,用于检测可提高准确度。在目标检测中造成错误率的主要原因是位置回归不够准确。而置信度损失和位置回归损失在总损失中占比却相同,通过引入交并比来改变位置回归损失在总损失中的占比,且占比将随着交并比的不同而不同,有效提高了学习效率。最后,提出了轻量级SSD算法结构。常规的SSD算法是以VGG-16为主干网络提取图像特征,VGG-16网络结构冗余,不够精简,元素级操作较多,影响了检测速度。通过使用Shuffle Netv2算法中的思想对常规的SSD算法的主干网络进行改进,进而提高模型的检测速度。提出的SSD＿GIS算法不仅从两个不同的角度对位置回归损失函数进行改进以及添加特征融合模块对模型检测准确率进行优化,还通过轻量级SSD算法结构来提高检测速度。通过多组对比实验,验证了从准确率和速度两方面改进后的SSD算法的优越性。