车辆目标检测技术是指在不同背景的图像数据集中,通过特征提取方式,对图像中所含车辆进行检测识别的过程。而基于深度学习的车辆目标检测技术在目标检测准确率与速率方面显示出明显的优势。随着科技的发展,对无人机俯拍图像中所含车辆进行检测与识别,成为一个重要的应用研究方向。本文对基于深度学习的无人机俯拍车辆的检测与识别进行研究,并针对YOLOv3算法中无人机俯拍车辆中不完整的车辆目标不能被识别、距离较近的车辆被漏检问题,提出基于锚点的无人机俯拍车辆候选框生成算法和基于非线性函数极大值抑制的无人机俯拍车辆预测框生成算法。本文所取得的成果包括以下几个方面:首先,针对无人机俯拍车辆中不完整车辆不能被检测的问题,提出了基于锚点的无人机俯拍车辆候选框生成算法。该算法首先对锚点的选取进行优化,然后通过分析得到距离函数,利用该函数去计算初始锚点与车辆数据样本点中的距离,进而得到所有锚点。接下来预测锚点框在四个方向上的移动幅度,并使用sigmoid函数控制其移动幅度在一定范围内。该算法提高了车辆检测网络对一些不完整的车辆准确识别的概率。其次,针对无人机俯拍车辆相距较近的多个车辆中某个车辆被漏检的问题,提出了基于非线性函数极大值抑制的无人机俯拍车辆预测框生成算法。该算法选取与置信度最高车辆候选框的交并比大于一定值的候选框,对其置信度通过非线性函数进行重新计算。并对候选框置信度使用多层卷积特征融合方式进行优化。该算法可以提高车辆检测网络对相距较近的车辆不漏检的概率。最后将改进算法加入到YOLOv3网络中进行训练,并使用无人机俯拍车辆图像对改进后的网络进行检测。检测结果表明,与现有算法相比,本文提出的算法在保证实时性的基础上,显著提高了基于深度学习的无人机俯拍车辆的检测精度。