随着人工智能的兴起,计算机视觉被运用到越来越多的领域,几乎涵盖了日常生活的每一个方面。运用深度学习算法对摄像头采集到的图像信息进行分类、目标定位、跟踪等成为计算机视觉领域的研究热点。目标检测作为计算机视觉中基础且重要的一环,影响着后续图像理解的效果。航拍车辆检测能够从航拍图像中检测出车辆的位置和种类信息,可以为与车辆相关的应用问题提供重要信息支撑。然而在实际的检测过程中往往会受到硬件设备的限制,无法提供充足的算力。通常精度较高的深度学习目标检测模型速度较慢,而速度优势明显的简单网络模型精度表现欠佳。为满足实际运用的要求,需要保证目标检测算法的速度与精度。为达到实际运用的需求,本文提出了一种航拍图像车辆目标检测算法和一种新的上采样结构,能够较好地兼顾精度和速度,具体研究内容如下:（1）将Yolov3-tiny进行改进并且融合调整过的BiFPN结构,得到新的网络结构。网络中提供了双向通路,可以丰富各级特征图的语义信息。（2）基于最近邻上采样和反卷积层提出一种新的上采样结构用来复原小尺度特征图中的细节信息,加强网络对细节信息的提取能力。（3）在不同数据集上进行实验,通过实验结果检验算法的通用性,并且在此基础上设计出航拍图像目标检测原型系统,可对四类目标进行检测。在vedai数据集上进行实验,本文所提算法与Yolov3相比,每秒检测帧（fps）与检测精度（m AP）分别提升了73%、6%。与Yolov3-tiny相比,虽然fps下降了5%,帧数减少2帧,但m AP提升了9.6%,与ssd、mobilenetv3、efficientnet相比,无论是检测精度还是检测速度都具有明显优势,提出方法的m AP达到了87.6%。本文所提出的Bi-Yolov3-tiny模型与上采样结构综合了轻量级网络和复杂结构网络的优点,使得航拍图像车辆检测的效果更加精准的同时也保持了较快的速度。