航拍图像在资源勘查、灾情处置和敌情侦察等多个领域有着十分重要的应用价值和广泛的应用前景,而航拍图像的应用很多情况下依赖于航拍图像的多目标检测技术。随着深度学习技术的高速发展,多目标检测技术已经在多个领域取得了巨大的进步,然而受航拍图像背景复杂、噪声大和目标尺度跨度大等特点的影响,航拍图像中的多目标检测具有较高的难度。本文针对航拍图像下的多目标检测问题,结合航拍图像多目标检测的诸多难点,在现有算法的基础上,研究深度学习相关算法在航拍图像多目标检测中的应用。同时,本文使用了定向目标框来进行航拍图像的多目标检测,相对于水平目标框,使用定向目标框来检测目标能够更加准确地拟合目标位置,避免噪声干扰。基于定向目标框,本文在相关定向目标检测算法的基础上,引入了若干改进措施,显著提高了算法性能,本文的主要工作包括以下几个方面:首先,构建一种基于多尺度特征融合的DRBox(Detector using Rotatable Bounding Box)航拍图像多目标检测算法。本文在定向单目标检测算法DRBox的基础上,通过将特征提取网络替换为特征提取能力更强的Res Net101网络,并使用FSSD(Feature Fusion Single Shot Multibox Detector)的特征融合策略对提取到的多层特征进行有效的融合,使得融合后的特征同时具有低层特征定位精度高和高层特征语义性强的特性,从而有效解决了航拍图像小目标占比大导致检测精度低的问题。同时,针对航拍图像中目标分布密集,标注框重合的特点,在先验锚框的设置策略中,引入了锚框偏移的思想,进一步提高了算法对中小目标检测的精度。基于多尺度特征融合的DRBox算法具有基于回归的目标检测算法的速度快的特性,经实验验证了该算法具有一定的检测精度,并可以得到实时性的应用要求。其次,基于定向目标检测算法RRPN(Rotation Region Proposal Networks),构建了基于注意力的多尺度RRPN航拍图像多目标检测算法。本文通过替换特征提取网络为Res Net101,并引入特征融合策略,增强网络提取到特征。而通常特征中依然具有较多的噪声和以及伪目标特征,为了给区域建议网络提供更加准确的特征,引入了空间和特征通道注意力网络来屏蔽特征中的异常激活点。同时,将位置感知的RRo IAlign用于RRo I(Rotation Region of Interest)特征的提取,有效地解决了特征提取过程中的坐标偏移现象,并引入了位置感知思想,进一步提高的特征的准确性。经试验验证,基于注意力的多尺度RRPN算法具有较好的检测精度,本文的相关改进措施对算法检测精度的提升起到了关键的作用。最后,将本文改进的两种算法与其他相关算法进行对比,比较了本文两种改进算法在检测精度和检测速度上的差异,其中基于多尺度特征融合的DRBox在检测速度上具有明显的优势,但是检测精度仍有较大的提升空间,而基于注意力的多尺度RRPN算法具有较高的检测精度。同时,对本文两种改进算法进行了跨数据集测试,并在自采数据集上进行了测试,验证了本文所改进算法具有良好的泛化性能。