航拍目标检测一直是目标检测技术研究的热点和难点,不论是在民用领域还是军事领域都对航拍目标检测有着广泛的需求,具有极高的研究价值。航拍目标的检测难点在于地面目标占图像比例小、目标尺度变化大、目标易受环境干扰以及背景复杂多变,导致航拍目标检测率低、定位效果差。针对上述问题,本文提出一种单阶段检测网络RIDNet(Densely connected Inception Res Net)。RIDNet采用轻量化设计,通过多路径特征提取,RIDNet可以捕获到不同尺度目标的特征,实现多尺度目标检测。同时,RIDNet中的语义增强网络提高了对小尺度目标的检测能力。本文的主要工作如下:(1)提出了一种轻量化的特征提取网络并构建一个目标检测网络RIDNet V1。本文设计了一种多路径残差密集结构RI-Dense,并以此为基础设计了一个轻量级的特征提取网络。最终,以轻量化的特征提取网络和空洞空间池化金字塔为基础,构建了一个轻量化的目标检测网络RIDNet V1。(2)提出了一种基于多路径特征融合的语义增强网络并构建改进网络RIDNet。本文结合Inception Net思想提出了多路径特征融合模块RI-Deconv,并以此模块为基础构建语义增强网络。最后,将RI-Deconv与RIDNet V1相结合,构建改进的轻量化目标检测网络RIDNet。(3)提出了一种图像拼接方法用以处理大尺寸输入图像,并且对损失函数进行相应改进,以解决样本不均衡问题。本文将提出的算法在公开航拍数据集NWPU VHR-10和DOTA数据集上进行测试,将所提出的检测模型RIDNet V1和RIDNet与6种当前主流目标检测网络进行对比,在检测难度大的DOTA数据集上建议算法检测精度超越了其余6种算法。RIDNet在DOTA数据集中的检测速度为47.4ms,模型大小为39.4MB,在保证检测精度的前提下实现了检测模型的轻量化和实时性。消融实验测试了不同特征提取网络和检测器网络的组合,本文建议结构取得了最高检测精度。对用于检测目标的五个特征图也进行了消融实验,测试不同特征层对检测精度的影响以选择精度最高的特征图组合。