随着无人机使用的不断增加和航拍技术的发展,对无人机航拍图像进行自动的数据提取的算法要求不断提升,针对无人机航拍图像的目标检测算法研究具有重要意义。另一方面,航拍图像的图像特征和一般影像有很大差别,容易丢失的细节和特征,在识别上难度更大。无人机飞行高度不同,其视角和目标的大小也不同,同一个目标会具有不同的特征和细节,更加大了检测难度。需要针对航拍图像进行针对性的研究和实验。首先,针对无人机航拍图像,主要研究针对小物体的高速检测模型,通过改进多尺度融合的Cascade R-CNN,提出一种无人机航拍影像的检测方法。与传统方法相比,该方法使用了融合特征层的思路,在不同层次的特征图上通过合并操作,提高算法对小目标的检测能力。经过测试,该方法在Vis Drone 2019数据集上取得了良好的的效果。之后,针对改进的Cascade R-CNN网络,对模型的量化和剪枝策略进行研究和改进,根据实验结果比较各方法的优劣,得出一种适合航拍图像目标检测问题的模型轻量化方法。比较了float 32、float16、int 8数据格式下模型的检测精度,设计了一种改进的BN剪枝方法,通过对BN层的偏置系数γ筛选对网络影响最小的特征层进行剪除,并使用混合权重策略使该方法在复杂的检测模型中具备良好的效果。最后,为实现模型的快速部署,围绕无人机图像,在开源图像标注软件Label Me下,通过在标准数据集上预训练的Polygon RNN和Mask R-CNN网络,实现自动标注无人机图像并人工辅助修改调整。使用采集到的数据和公开数据集对自动标注软件进行测试,并通过标注好的数据对已有网络进行微调,检测性能提升效果。