近年来,随着无人机研发技术的不断成熟,通过无人机机载摄像头拍摄的图片和视频在许多行业领域获得了广泛应用。在军事方面,利用无人机航拍采集的图像可以获取到完整、全面的战场信息,但是如何利用这些图像实现快速、准确的军事目标检测仍是现代战争智能化作战发展要求下亟待解决的问题。随着深度学习的不断发展,目标检测算法的性能不断提升,但是目前主流的检测算法无法克服航拍图像中出现的复杂天气干扰、目标高度变化、尺度不一等问题,且其模型较大、检测速度慢,效率过低。因此,针对上述问题本文开展了基于无人机航拍图像的战场目标检测算法及其轻量化研究,旨在获得高精度、高效率、低功耗的轻量级战场目标检测模型,提升真实作战中检测模型的精度与速度,为后续作战提供快速、准确的信息支持。论文的主要研究内容和创新点如下:（1）针对军事装备行业保密性高、真实战场数据集资源匮乏的问题,提出一种基于模拟真实场景的无人机航拍目标数据集构建与增强方法。首先,采用无人机自主拍摄、网络爬虫搜索、影视资源截取三种方法获得本文的原始数据集;其次,对原始数据中的图像进行翻转、加噪、加雾等操作,实现无人机视角及复杂天气下的航拍战场图像模拟,从而解决基础数据拍摄方向和角度单一的问题,增大数据的真实性和可信性;然后,提出一种随机图像拼接的方法来增强小目标占比,以贴合航拍图像覆盖范围广、分辨率高且目标占比较小的特点,从而进一步提高模型的泛化性;最后,提出一种随机目标提取嵌入的数据增强方法来扩大坦克和军事用车两类目标占比,解决原始数据集目标分布不平衡和背景单一的问题,增加图像背景复杂度。实验结果表明,本文所用的数据增强方法可有效提升航拍战场数据集的真实性和多样性,同时对模型检测精度也有一定的提升。（2）针对目前主流检测算法在真实复杂航拍战场数据背景下精确度低、误检率高等问题,提出一种基于改进YOLOv5的高精度航拍目标检测模型。首先,提出一个多特征交叉融合注意力机制,并引入在骨干网络中,以解决航拍图像背景复杂且存在相似物体干扰的问题,增强空间和通道两个维度的特征交互,从而提高复杂背景下网络的检测性能。其次,引入并改进BIFPN结构以解决航拍目标尺度不一,模型跨尺度特征融合效果差,容易造成目标漏检的问题。该结构先采用跨层级联路径进行多尺度特征融合以减少浅层信息丢失,再使用反卷积弥补最邻近插值带来的特征损失,并用ASFF进行自适应空间特征融合,进一步增强不同目标之间的跨尺度融合,降低小目标的漏检率,从而提高整个算法的运行效果。最后通过实验验证了本文算法能有效提高模型的检测精度,同时能够在复杂环境下降低漏检率和误检率,实现高精度的航拍战场目标检测。（3）针对改进的航拍目标检测网络模型体积大、运行速度慢等问题,本文对其进行轻量化处理,在保证一定准确率的前提下,对模型的速度进行优化。首先,采用轻量级Ghost卷积模块代替原网络中冗余的普通卷积模块,进行骨干网络的重构来解决原始网络卷积层带来的大量运算问题,降低模型运算量;其次,采用模型剪枝的方法对网络中不重要的通道进行筛选并剔除,以解决模型体积庞大,存在冗余结构的问题,进一步降低整个模型的参数量和计算量,从而提高整体的检测效率和速度。最后通过实验证明了本文方法对模型轻量化的有效性,能够实现快速、高效的航拍战场目标检测。