随着社会经济实力的增长,车辆普及率的提高,城市拥堵及交通事故频发等问题日益严重。而车辆检测技术能够为道路交通控制、高速公路管理和紧急事件管理等诸多交通问题的处理提供强有力的信息支撑,因此受到了研究者的广泛关注。在无人机影像中对车辆进行检测,可用于指挥交通道路行车、保障行车通畅,也可以对实时路况做出反馈,进一步保障行人和驾驶人员的交通安全。为了解决实际场景中车辆的检测任务,本文对基于无人机影像的车辆检测方法进行了研究,主要研究内容包括:(1)构建了一个用于无人机影像车辆检测的数据集。该数据集包含城区范围内的所有无人机影像和所有影像中的车辆标注,包含800张影像,3320个车辆标注实例。(2)为了解决在车辆检测中存在的误检和漏检问题,本文对Faster R-CNN模型进行改进。首先选取效果更好的残差网络模型(ResNet101)代替VGG16网络模型以提升卷积神经网络特征提取的深度;然后使用不同层次特征图构造特征金字塔(FPN)进一步提升网络特征提取的广度,有效解决了对车辆这种较小目标检测效率低的问题;同时对检测网络中的建议区域尺度进行优化。最后基于无人机影像车辆数据集,使用改进的Faster R-CNN网络模型,对车辆目标的检测进行实验。实验结果表明,改进后的Faster R-CNN方法对车辆检测的准确率达到96.83%,与原始的Faster R-CNN方法相比,准确率提升了3.86%。(3)为了消除雾霾天气对于无人机检测任务的影响,本文使用多种去雾霾算法对无人机影像进行去雾霾处理。首先对比并分析了多种去雾霾算法及其效果,然后在去雾霾的基础上,使用改进后的Faster R-CNN模型对图像中的车辆进行检测。实验结果表明,使用不同去雾霾算法后的检测效果远优于直接使用雾霾图像,其中使用暗通道先验算法去雾霾后的检测效果最好。