近年来,随着中国经济的快速发展,城市化发展迅速,城市车辆日益增多,交通网络也日益复杂。与此同时,智能交通的理念应运而生。伴随着无人机技术的进步,结合无人机的航拍车辆检测技术有着越来越多的应用场景。但是目前的航拍车辆检测存在着诸多问题,航拍图像中车辆过小,传统的检测方法效果堪忧,而一般的深度学习检测方法在召回率和精确率上效果一般,同时大量的标注数据也是一个问题。本文针对以上问题做了以下工作:1.本文首先探讨了目前已有的航拍车辆检测的方法以及存在的问题和难点,并通过无人机航拍的方式建立了一个南京航拍车辆数据集进行研究。该数据集中共包含南京石杨路航拍图像376张,汽车3732辆,以及南京东麟路航拍图像101张,汽车1930辆。2.本文基于Faster R-CNN目标检测框架针对航拍图像中小目标车辆的检测设计了一种超特征层方法。在VGG16特征提取网络的基础上,通过融合浅层特征以及深层特征的方法,提出了Concat特征融合模型以及Eltwise特征融合模型,并结合这两个模型得到了最终的超特征层。同时,基于航拍车辆的大小特点,改进了RPN网络中的anchor框生成。实验表明,我们的方法在航拍车辆数据上有着较好的检测结果。3.本文在pix2pixGAN的基础上提出多条件约束的生成对抗网络,用以在真实航拍场景图像中生成带位置标注信息的车辆。通过在生成对抗网络中设立多判别器的方法分别约束背景的拟合以及图像中车辆的生成,将图像中预先设置的噪声区域完美转化成车辆图像。对比实验表明我们的方法有着较好的车辆生成效果,并能够提高航拍车辆检测模型的训练结果。4.基于航拍车辆检测,设计并实现了一种车流量自动统计系统。在无人机定点航拍视频中,通过车辆检测模型检测定位航拍车辆,跟踪并统计各车道上的车流量信息,同时在系统界面上进行展示。