近年来,无人机技术的快速发展使得无人机地面目标检测技术已成为计算机视觉领域的重要研究方向,无人机在军事侦察、交通管制等场景中具有普遍的应用价值。但无人机拍摄的图像存在目标分辨率低、尺度变化、环境变化、多目标干扰、背景环境复杂等诸多难题,本文基于上述难点深入研究了无人机航拍视频中移动目标检测等关键技术,并设计了一套无人机飞行管理和评估系统对飞行任务进行科学的规划和评估。本文利用数据增强方法对训练样本进行扩充,并通过实验选取最佳的数据增强方案,该操作有效避免了训练模型因样本数量不足导致的过拟合情况的出现。针对有雾天气下航拍图像出现的降质、模糊等问题,本文选取了基于雾线检测的图像去雾方法,通过聚类进行雾线的定位,然后进行传输系数的估计和正则化操作,最终得到去雾图像。本文提出了一种基于残差网络的航拍目标检测算法,在原始SSD目标检测算法的基础上,利用表征能力更强的残差网络进行基准网络的替换,通过引入跳跃连接机制降低提取特征的冗余度,解决层数增加之后出现的性能退化问题。利用残差学习降低网络训练难度,提高目标检测精度。针对原始SSD目标检测算法存在的目标重复检测和小样本漏检问题,本文提出一种基于特征信息融合的航拍目标检测算法。利用不同分类层的特征信息,该算法有效弥补了网络结构中低层视觉特征与高层语义特征之间的差距。结果表明该算法在检测准确性和实时性方面均具有较好的表现。最后,我们对全文工作进行总结,并对未来工作进行展望。