1.一种用于检测小目标的优化SSD检测模型训练方法，其特征在于，包括：获取历史图像；

将历史图像划分为训练集和测试集；

将训练集中的历史图像分别输入VGG16网络和ResNet50网络中进行卷积，分别获得VGG16网络图像初次卷积数据和ResNet50网络图像初次卷积数据；

将所述VGG16网络图像初次卷积数据和ResNet50网络图像初次卷积数据进行特征融合，获得融合后的VGG16网络图像初次融合数据；

将所述VGG16网络图像初次融合数据和ResNet50网络图像初次卷积数据返回执行分别输入VGG16网络和ResNet50网络中进行卷积的步骤，直至达到预设卷积次数，获得VGG16网络图像融合数据；

将所述VGG16网络图像融合数据输入到SSD后续网络中进行分类和检测，获得改进的SSD检测模型；

用测试集对改进的SSD检测模型进行测试，计算损失函数，与前一次训练得到的损失函数比较，若损失函数小于前一次训练的损失函数，则返回执行将训练集中的历史图像分别输入VGG16网络和ResNet50网络中进行卷积的步骤，直至损失函数趋于稳定，获得的SSD检测模型为优化SSD检测模型。

2.根据权利要求1所述的用于检测小目标的优化SSD检测模型训练方法，其特征在于，所述预设卷积次数为三次。

3.根据权利要求1所述的用于检测小目标的优化SSD检测模型训练方法，其特征在于，采用元素相加的方式对所述VGG16网络图像初次卷积数据和ResNet50网络图像初次卷积数据进行特征融合：FOUT＝ε(Fout)

式中 表示元素相加，Fl表示VGG16网络的输出特征，Fa表示ResNet50网络的输出特征，Fout表示特征融合结果，使用FOUT作为VGG16网络下一层的输入值；从Fout到FOUT的过程通过以ε作为1×1的卷积操作进行调整。

4.一种无人机航拍图像的小目标检测方法，其特征在于，包括：

获取无人机航拍历史图像；

用所述无人机航拍历史图像对初始SSD检测模型进行训练，获得训练后的优化SSD检测模型，其中，所述初始SSD检测模型以VGG16网络模型为主干，以ResNet50网络为辅主干；

获取无人机航拍实时图像；

将所述无人机航拍实时图像输入所述优化SSD检测模型中，以识别所述无人机航拍实时图像中的小目标。

5.根据权利要求4所述的无人机航拍图像的小目标检测方法，其特征在于，所述用所述无人机航拍历史图像对初始SSD检测模型进行训练，获得训练后的优化SSD检测模型，包括：将所述无人机航拍历史图像划分为训练集和测试集；

将训练集中的无人机航拍历史图像分别输入VGG16网络和ResNet50网络中进行卷积，分别获得VGG16网络图像初次卷积数据和ResNet50网络图像初次卷积数据；

将所述VGG16网络图像初次卷积数据和ResNet50网络图像初次卷积数据进行特征融合，获得融合后的VGG16网络图像初次融合数据；

将所述VGG16网络图像初次融合数据和ResNet50网络图像初次卷积数据返回执行分别输入VGG16网络和ResNet50网络中进行卷积的步骤，直至达到预设卷积次数，获得VGG16网络图像融合数据；

将所述VGG16网络图像融合数据输入到SSD后续网络中进行分类和检测，获得改进的SSD检测模型；

用测试集对改进的SSD检测模型进行测试，计算损失函数，与前一次训练得到的损失函数比较，若损失函数小于前一次训练的损失函数，则返回执行将训练集中的历史图像分别输入VGG16网络和ResNet50网络中进行卷积的步骤，直至损失函数趋于稳定，获得的SSD检测模型为优化SSD检测模型。

6.根据权利要求5所述的无人机航拍图像的小目标检测方法，其特征在于，还包括对所述无人机航拍历史图像进行数据增强，将增强后获得的图像集划分为训练集和测试集。

7.根据权利要求6所述的无人机航拍图像的小目标检测方法，其特征在于，所述数据增强包括旋转、平移、裁剪以及亮度调节。

8.根据权利要求5所述的无人机航拍图像的小目标检测方法，其特征在于，所述预设卷积次数为三次。

9.根据权利要求5所述的无人机航拍图像的小目标检测方法，其特征在于，采用元素相加的方式对所述VGG16网络图像初次卷积数据和ResNet50网络图像初次卷积数据进行特征融合：FOUT＝ε(Fout)

式中 表示元素相加，Fl表示VGG16网络的输出特征，Fa表示ResNet50网络的输出特征，Fout表示特征融合结果，使用FOUT作为VGG16网络下一层的输入值；从Fout到FOUT的过程通过以ε作为1×1的卷积操作进行调整。