现如今,随着人工智能时代的到来,无人机的应用涉及到诸多领域之中,例如,将无人机与目标检测技术相结合,在抢险救灾、高空作业、交通监控、农业发展以及新闻报道等民生领域有着重要的应用价值。由于无人机航拍图像中存在目标多尺度变化、小目标数量占比大的问题,针对自然场景设计的目标检测模型难以直接对无人机航拍图像中的目标进行检测。基于此,本文的主要工作如下:（1）针对无人机航拍图像中目标的尺度变化问题,本文设计了一个特征增强模块（Feature Enhancement Module,FEM）,并以该模块为基础构建了一个无人机航拍目标特征提取网络（Feature Enhancement Network,FENet）。具体地,FEM是由不同尺寸卷积核组成的多分支残差结构,它能够有效地提取不同尺度目标的特征,并将获得的多尺度特征作为下阶段的输入,促使网络提取到判别力强的特征。紧接着,将特征图的每个通道进行可视化后发现,特征通道之间存在相似的情况,为了在不影响检测精度的前提下降低网络模型的计算量,本文进一步设计了一种扩容操作,它主要通过低成本的卷积生成那些相似的特征通道。另外,针对无人机航拍图像中小目标数量占比大的问题,本文提出了一个指导注意力模块（Guided Attention Module,GAM）,并将其嵌入到特征金字塔结构中。该模块根据深层语义特征生成的权重为浅层特征图提供指导,在增强特征融合效果的同时提高了网络模型在浅层特征图上对小目标的检测效果。（2）针对基于锚框的目标检测网络存在的锚框参数调试复杂、预设锚框数量多导致网络模型计算开销大等问题,本文在无锚框检测模型FCOS（Fully Convolutional One-Stage Object Detection）的基础上提出了一个多策略交互网络（Multi-Strategy Interactive Network,MSINet）来实现对无人机航拍目标的检测任务。具体地,本文提出了一种贡献度标签策略,将预测边界框的质量信息引入到分类分支的训练中,解决了分类分支和中心度（Center-ness）分支在训练和测试阶段用法不一致,以及在训练阶段Center-ness分支只对正样本预测的边界框质量进行评估所导致的问题。由于以连续形式存在的贡献度标签超出了焦点损失函数（Focal Loss,FL）的应用范围,本文设计了一个改进的焦点损失函数（Improved Focal Loss,I-FL）,它将FL的应用范围从离散形式推广到连续形式,来满足使用贡献度标签当做分类任务监督信号的需求。最后,又提出了一种动态样本加权策略,它根据不同样本的贡献度标签生成对应的权重因子,使得网络模型在训练阶段重点关注高质量样本,从而提升网络模型整体的检测性能。