随着科技的发展以及生活水平的提高,目标检测技术为人们的衣食住行提供了很大的方便,尤其是基于深度学习的目标检测算法的发展,在智能交通、国家安防、军事、医疗等领域有着重要的应用。航拍车辆检测技术是目标检测领域的热点,对交通的管理和事故的处理以及在打击违法犯罪上发挥着重要的作用。但是由于检测场景比较复杂,检测目标尺寸较小,给目标检测技术带了很大的考验。本文以航拍车辆检测为研究检测对象,采用YOLO V3算法对其进行研究,并且将其与常用的几种目标检测算法进行对比,结合检测的准确度和实时性衡量,对YOLO V3算法进行改进。具体完成的工作如下:针对小目标检测中出现的检测精度低,误检率高等问题,提出了一种改进的YOLO V3航拍车辆目标检测算法,YOLO V3算法中的特征融合的思想以及三个尺度对目标进行检测的网络,对大小目标的检测都比较突出。先是对YOLO V3的网络进行了改进,通过步长为4的下采样操作,融合更深层的特征,建立更细粒的小目标检测层,然后提出了一种anchor box合理分配的数学方法,使得K-means聚类生成的anchor box可以在三个检测尺度上合理分配。该方法在VEDAI公共数据集上取得了良好的结果。针对小目标检测问题,还提出了一种基于YOLO V3航拍图像的特定车辆检索算法,能够根据设定条件检索出相应目标车辆。先是对其特征提取网络进行优化,在原有的残差模块基础上优化为双路残差模块,提升其对小目标的检测能力。并且考虑到实际检测中预测框的位置偏差会对检测的结果造成较大的影响,故采用了GIoU位置计算指标,提升网络对位置信息的敏感度。同时在检测的基础上加入了车型、颜色等检索条件,使得模型能够完成对特定车辆目标的检索。实验表明,该方法对航拍车辆的检测以及特定车辆的检索有一定的可行性。针对传统的水平矩形候选框不能够对目标的方向作出预测的问题,在YOLO-E的网络基础上提出了一种航拍车辆的位置的定向检测方法,引入了斜矩形候选框,增加了角度信息,丢弃了通用的水平矩形候选框,减少了复杂背景带来的干扰,然后还构造了一种带有目标方向损失的多任务损失函数。实验表明,该方法能有效预测车辆的方向。