作为交通运输业的核心对象,不同类型的车辆对于交通运输的作用和影响不同,而各种车辆的类别、位置分布以及数量等信息对于车流量估算、实时交通运输状况的监测、分析和管控工作有着极为关键的作用,对实现智能交通运输系统更是意义非凡。相比基于车载或路边固定摄像装置的视频中的车辆检测,航拍视频车辆检测借助航拍独特的广阔视角,可以更加方便地获取更加全局的车辆信息。因此,为了实现高精度的实时航拍视频密集车辆检测,本文主要针对基于深度学习的目标检测算法进行研究和改进,提出了基于改进的SSD模型的轻量级航拍视频车辆目标检测算法,并基于该算法设计实现了对应的航拍视频车辆目标检测系统,最后在实验室数据集上通过实验验证了算法和系统的有效性。本文的主要工作和创新点如下:针对航拍视频中的车辆目标尺寸小、数量多而密集、方向不确定以及分辨率不一的特点,提出了基于改进SSD的轻量级航拍车辆检测算法。首先从模型激活函数角度,对Swish进行改进,提出了RH-Swish系列激活函数,降低计算开销的同时,通过引入通道可不共享的可训练参数和随机参数提升激活函数的灵活性,同时也提升了模型的表达力和泛化能力。然后将backbone由VGG16替换为改进的轻量级CNN模型——RHMNet和RHSNet系列,有效规避了原始模型检测实时性差、资源占用高等诸多缺点。接着通过对航拍训练集进行k-means||聚类辅助确定default boxes的尺度和纵横比,同时根据特征图尺寸、等间距尺度设置方法以及检测框数量限制等多方因素确定预测层的位置以及对应的default boxes配置,克服了原始SSD模型中各预测层default boxes尺度和纵横比与目标尺寸不匹配的缺陷。之后对损失函数和总损失的形式进行改进,以缓解正负样本不平衡,难易不平衡和类别不平衡“三大不平衡问题”,同时在检测后处理部分引入了基于改进惩罚函数的双阈值NMS,有效降低虚警,改善漏检。之后,从模型训练和优化的角度,进行大量的数据增强,引入最佳的优化算法,并针对本文提出的新激活函数设计模型初始化方法,提升训练效率和模型精度。并且,引入的多尺度训练方法帮助模型确定最佳的输入尺度,在提升密集小目标检测精度和保证检测实时性之间实现良好折衷,离线困难样本挖掘进一步有效解决了诸多“极难正样本”的漏检和“极难负样本”的虚警问题。从注意力机制和多尺度上下文信息增强两个角度对上一部分提出的算法和模型进行进一步增强:1)在基于注意力机制的模型增强部分,首先从通道注意力和空间注意力两个维度,分别提出了改进的通道注意力单元CAU和空间注意力单元SAU,并将其应用于模型backbone的building blocks和总体结构中,提升backbone的特征提取能力,降低模型冗余,增强模型的表达能力。然后,针对不同的backbone结构,将两种注意力机制通过特定的连接方式进行整合,同时在通道和空间两个维度实现更加精细化的特征增强。2)在基于多尺度上下文信息的模型增强部分,主要从感受野模块和特征融合两个层面展开。首先,对原始的RFB进行改进,提出了轻量级的感受野模块L-RFB系列,并将其用于检测模型的特征提取和检测框生成,一方面向模型引入多尺度的上下文信息,另一方面增大了预测层的感受野。然后基于现有的特征融合方法,从自顶向下和自底向上两个角度分别提出了基于反卷积、基于Reshape的特征融合方法和基于池化的特征融合方法,分别用于解决浅层上下文信息不足和深层细节信息（如位置、边缘等）不足的问题。最后,对本文两个阶段提出的航拍视频车辆检测算法基于深度学习框架进行实现。在实验室数据集上的测试结果显示,相比于原始SSD目标检测算法及其几种轻量化变体,本文所提出的基于改进SSD的轻量级航拍车辆检测算法和模型实现了检测精度与实时性的双重提升,而模型增强算法又进一步提升了模型的检测精度,并且本文提出的增强模型RHSDet的m AP超越了几种主流的精度较高的非轻量级目标检测模型,从而证明了本文检测算法和模型增强算法的有效性和优越性。