近年来,无人机技术与人工智能算法的日益成熟不断扩展无人机在交通领域的应用范围,将无人机与目标检测算法相结合可以更好地对道路交通信息进行采集,进一步有效推动智能交通系统的发展。本文针对无人机高视角范围下目标尺寸小以及无人机板载嵌入式设备内存和运算能力有限的特点,对小目标检测算法以及轻量化网络展开研究,主要的研究内容如下:（1）对于无人机高空拍摄的地面目标尺寸较小且分布密集的特点,本文在第二章以多尺度特征学习为切入点,提出了小目标检测网络RSOD（Real-time Small Object Detection algorithm）。该网络首先利用卷积神经网络中包含丰富细粒度信息的浅层特征来提高小目标定位与识别的精度,接着通过空间金字塔池化层提取目标周围的局部信息和全局信息,并且与特征金字塔中的浅层和深层特征相融合,进一步丰富小目标的特征表达。然后通过自适应学习来衡量特征金字塔每个输出特征的重要性,并为每个特征赋予不同的权值进行加权融合,对重要特征进行增强,不重要特征进行抑制。最后,通过改进的SE注意力机制提高模型对特征通道的敏感性,进一步提高小目标检测性能。（2）在模型轻量化方面,本文第三章对第二章所提小目标检测网络RSOD的特征通道进行剪枝。首先在RSOD网络中的每个特征通道引入一个尺度因子,用来度量通道的重要性,接着在训练过程中加入正则化,通过正则化得出尺度因子的稀疏解,随后对尺度因子接近于零的非重要通道进行修剪,删除其所有的输入输出连接和相应的权值,最后对修剪后得到的网络进行重新训练,通过微调恢复其小目标检测精度。经过多次剪枝与微调之后得到轻量化网络Slim RSOD（Slim Real-time Small Object Detection algorithm）,在模型尺寸和小目标检测精度之间达到了良好的平衡。（3）通道剪枝算法需要对原有大型网络进行预训练,并经过多次迭代剪枝与微调才能获取轻量化模型,其过程较为繁琐。为了简化轻量型网络的获取流程,同时追求更少的模型参数以及更高的小目标检测精度,本文在第四章中采用深度可分离卷积和注意力机制构建轻量化特征提取网络,然后摒弃传统基于锚框的思想,将特征图中每个点映射回原图,对目标边框直接进行回归,简化了检测流程。最后利用空洞卷积获取不同感受野的上下文信息,并将其注入路径聚合金字塔网络中,将上下文信息和多尺度特征进行融合;同时引入通道和空间特征细化机制,抑制多尺度特征融合中冲突信息的形成,进一步提高网络对小目标的检测性能。