由于固定摄像头对道路设施要求较高,以至于在环境恶劣的山路、乡村道路等无设施条件安装固定摄像头对车辆进行监控,并且固定摄像头监控范围小、灵活性差无法实现对道路车辆全方位监控。无人机具有机动性强、检测范围广、操作简单等优点,可以辅助固定摄像头完成在没有安装摄像头区域的监控。因此,基于无人机拍摄的交通视频车辆检测具有很大的现实意义,但由于无人机航拍的目标尺寸较小,目前基于深度学习的目标检测算法很难直接投入应用,为此论文设计了基于无人机探测视频车辆目标检测的新方法,主要研究如下:（1）面对当下无人机探测视频车辆目标检测数据集短缺的问题,确定了以湖南工业大学附近的交通场景作为数据集的构建背景,利用无人机航拍在学校附近的道路街口、停车场、施工单位等场所采集所需的无人机道路视频数据集,通过筛选共得到14567张车辆检测数据集样本。为了增加标注效率,提出一种半自动化的标注方法对car,truck,van和bus四种车型进行标注,同时,为了克服样本数据不均衡问题,文章采用对数据样本较少的类别采用随机贴图进行数据增强。（2）由于无人机探测视频当中的车辆目标尺寸较小,现有的目标检测算法检测精度难以达到要求,为此文章提出了一种适用于无人机探测视频车辆目标检测的YOLOv4改进算法。使用改进的k-means聚类获取适合无人机车辆目标数据集的anchor box来提升检测精度;在网络的残差模块内使用深度可分离卷积替换标准卷积可以减少网络参数量,并结合卷积块注意力模块CBAM来增强残差模块提取特征的能力;采用SPP的改进结构ASPP在保证分辨率的基础上增大卷积核的感受野。为进一步提高无人机车辆目标的定位准确性和边框回归精准度,使用分类损失Focal Loss和回归损失EIo U Loss改进原算法中的交叉熵分类损失函数和回归损失CIOU Loss。实验结果表明无人机探测视频车辆目标检测的YOLOv4改进算法优于改进前的算法,m AP相比改进前提高4.4%,F1分数相比改进前提高5.6%,并且改进模型在复杂环境下仍然具有较高的检测性能。（3）为了增强算法的人机交互性能,调用python的图形化模块wxpython设计了车辆检测系统,通过在GUI界面嵌入训练好的深度学习模型将检测结果展示在窗口界面上,有效增强了算法的可视化性能和方便操作性。