目标检测是通过摄像设备对自然场景中的物体进行捕获并分析的一种技术,广泛应用于机器导航、自动驾驶、智能监控和工业检测等诸多领域。近年来,随着无人机航拍设备的不断发展,针对其捕获的航拍图像进行目标检测备受研究人员关注,尽管通用的目标检测模型的检测能力取得了显著进展,但是由于航拍图像受拍摄角度等外界因素影响较大,且随着拍摄高度的变化,图像中物体的尺寸跨度变化较大,检测准确性较差;另外,无人机的灵活性导致无法携带大型的计算设备,且航拍图像的检测需要较高的实时性,而通用的模型并不能很好地满足这方面的需求。为了应对这些挑战,本文在Yolov3（Yolo Only Look Once Version 3）算法的基础上提出了一种基于深度卷积网络的快速目标检测方法:1.针对航拍图像尺寸跨度较大和小目标检测困难的问题,本文提出了以下方法:1)使用五级多尺度感知的判别网络替换原始的三级来检测不同尺度的对象;2)设计基于多尺度融合的注意力机制模型,将经过不同维度的注意力机制提取的特征进行多尺度变换,融合之后来优化特征信息;3)优化非极大值抑制算法来优化预测框的位置和大小,并降低漏检率,提升检测精度;4)设计分类损失函数的权重优化策略来平衡不同类别在检测准确率之间的差异。通过以上对模型和方法的改进,在具有挑战性的Vis Drone2018-Det和UAVDT数据集上进行了广泛的实验评估,证明了在航拍图像检测任务中,本文提出的方法可以实现比大多数的已有检测模型和一些Yolov3系列更高的检测准确性。2.在提高检测准确性的同时,模型计算量和体积会有一定的增加。当以无人机为假想的实验平台时,考虑到检测实时性和模型的适用性,检测模型应该具有体积小、计算量小、速度较快的特点。本文针对上述改进,采用基于稀疏训练的模型剪枝方法来压缩模型,裁剪掉对当前检测任务贡献较小的卷积核。在Vis Drone2018-Det和UAVDT数据集上进行了广泛的实验评估,实验证明采用剪枝方法可以在保证准确性的同时,优化模型的计算量和体积,保证检测的实时性。