受益于卓越的灵活性和便携性,低空无人机视觉广泛应用于能源、基建、农业、商业、公共安全等领域,低空无人机视觉目标检测已成为当下的研究热点。相比通用目标检测数据,低空无人机视觉数据小目标占比更多,平均分辨率更低,相对尺度更小,小目标检测是低空无人机视觉目标检测的重点和难点。尽管深度学习方法在通用目标检测领域已获得巨大的成功,但在检测低空无人机视觉小目标时,现有方法存在多方面不足:1)数据预处理:现有图像级数据预处理方法通常将输入图像放大至单一尺度或使用图像金字塔,以提升小目标的检测精度。然而,按单一放大尺度进行目标检测,难以应对巨大的目标尺度跨度;使用图像金字塔将增加训练、推理时间,而且容易引入虚警。2)主干网络:静态卷积限制了主干网络的容量和灵活性,而动态滤波器开销巨大,很难作为基础组件构建大型主干网络。另一方面,尽管Swin Transformer主干网络效果卓著,但本文发现其局部自注意力（Local self-attention,LSA）性能受限,仅等效于深度卷积（Depth-wise Convolution,Dw Conv）。3)高层网络:现有检测模型的高层网络未能适配低空无人机视觉目标检测,表现在:颈部网络未能择重增强大尺度特征,而大尺度特征对小目标检测尤为关键;区域生成网络的锚点超参数不能适配低空无人机视觉的目标分布,制约模型的训练和推理,而手工设置合适的超参数难度较大。针对上述问题,本文工作重点和贡献如下:提出尺度自适应的图像裁剪。统计发现低空无人机视觉图像中目标尺度与拍摄距离密切相关,而与透视现象关系较弱。针对这一特点,研究并提出一种新的图像级数据预处理方法,即尺度自适应的图像裁剪（Scale Adaptive Image Cropping,SAIC）。SAIC定义反映拍摄距离的归一化平均目标相对尺度（Normlized Average Object Relative Scale,NAORS）,设计尺度等级分类模型,并基于尺度等级缩放、裁剪图像,从而达到在放大小目标的同时减小目标之间尺度跨度,并且避免引入虚警。基于SAIC的FPN检测器赢得2018年Vis Drone比赛的第三名。提出解耦动态滤波器主干网络。静态卷积限制了主干网络的容量和灵活性,而动态滤波器开销巨大。为此,研究并提出轻量级的解耦动态滤波器（Decoupled Dynamic Filter,DDF）。DDF的关键思路在于不直接生成动态滤波器,而是生成解耦的空间动态滤波器和通道动态滤波器,并在后续滤波器应用环节合并两者。DDF可以无缝替换Res Net的标准卷积层,稳定提升Res Net精度,同时降低模型参数量和计算开销。最后,本文将DDF-Res Net作为主干网络应用于低空无人机视觉目标检测。实验表明,基于DDF-Res Net的检测器能在更少参数量下取得更高的检测精度。提出增强型局部自注意力。尽管Swin Transformer主干网络已取得巨大成功,本文研究发现Swin Transformer中LSA的性能发挥受限,仅等效于Dw Conv。通过对比研究Dw Conv、动态滤波器和LSA,本文指出相对位置嵌入和邻域注意力应用是限制LSA性能的关键因素。在此基础上,本文进一步提出增强型局部自注意力（Enhanced Local Self-Attention,ELSA）,改善Swin Transformer主干网络性能。实验表明,所提ELSA-Swin能显著提升图像分类、图像分割和低空无人机视觉目标检测等多种任务的精度。提出稠密颈部网络和锚点自适应策略。现有检测模型的高层网络未能适配低空无人机视觉目标检测。具体来说,颈部网络未能择重增强大尺度特征;区域生成网络的锚点超参数不适配低空无人机视觉数据的目标分布。针对颈部网络的不足,本文引入内容相关的上采样算子,设计多层稠密横向连接结构,构建稠密颈部网络,择重增强大尺度特征。针对锚点超参数设置,本文研究并提出锚点自适应策略,在模型训练时自动优化锚点超参数,使得检测模型对手工设置的初始超参数不敏感。实验结果表明,所提稠密颈部网络和锚点自适应策略均能有效改善基准模型,联合使用两者能进一步大幅提升低空无人机视觉目标检测精度。