随着我国经济的快速发展,我国道路里程和汽车保有量逐年提高,各种交通问题随之而来。对地面交通进行监控并在短时间内辨别道路中各类型车辆的数量和位置,对于交通网络智能管理、事故应急响应以及地质灾害救援等方面都有着十分重大的意义。而使用遥感卫星以及航空遥感极易受到天气和云层等因素的影响,因此基于深度学习使用无人机对地面车辆进行监控逐渐成为一种趋势。但是对无人机图像进行目标检测存在两个问题:一是由于飞行高度等原因,目标占图像比例普遍较小;二是在无人机图像中非常容易出现车辆相互遮挡或者车辆被其他物体遮挡的情况。这两点都会对检测产生不利影响。因此,本文在基于候选区域的Faster R-CNN算法的基础上进行改进,并对其进行实验,检验对图像目标的检测效果。本文主要研究工作如下:首先对于深度学习中需要大量样本的问题,在收集到的数据集基础上进行仿射变换,增加了样本数量,同时对数据集进行标注。对部分传统目标检测算法以及基于深度学习的目标检测算法进行实验,以验证基于深度学习的目标检测算法的优势。针对无人机图像目标检测中,对中小型目标易出现误检、漏检的情况,提出了一种根据Faster R-CNN改进的特征图像融合检测方法,根据对数据集的统计重新设计候选框尺度和比例,并设计融合模块融合不同层次的特征图像,使用多尺度特征图像进行检测。实验证明:改进算法的平均准确率均值（m AP）达到了84.10%,提升了检测精度的同时很好的改善了对中小型目标的检测能力。虽然特征图像融合的无人机目标检测算法取得了一定效果,但对于存在遮挡目标的检测仍不太理想。因此,采用结合上下文信息的方法,实现对特征信息的充分利用;并且针对非极大值抑制算法的不足进行改进。实验证明:针对物体遮挡的改进算法的平均准确率均值（m AP）达到了87.69%,增强了对遮挡目标的检测效果。