【摘要】【目的】针对无人机松林图像中早期松材线虫病害特征不明显、尺度多变导致的目标漏检、误检问题，提出一种基于深度学习的早期松材线虫病害检测方法。【方法】首先，为了便于在无人机机载端的模型部署需求，提出一种降低计算量和参数量的松材线虫病害检测方法；其次，为获取早期松材线虫病害更准确的特征，采用多种方式同时提取特征并融合以增强对有效特征的学习能力；然后，为进一步提高不同尺度特征的融合能力，使用注意力机制对齐相邻两级特征；最后，以辽宁抚顺大伙房试验林场无人机拍摄的早期松材线虫病害为研究对象，利用LablImg开源软件标注拍摄高度为100～240 m的图像，构建无人机早期松材线虫病害图像（EPI）数据集。【结果】在EPI数据集上的测试结果表明，本研究方法的平均精度（AP）最高达95.2%，相比YOLOv5s、YOLOX-s和YOLOv6s的AP分别提高3.1%、4%和0.9%；该模型体积仅12.8MB，分别是YOLOv5s、YOLOX-s和YOLOv6s模型体积的23.6%、17.8%和8.9%。【结论】本研究方法具有较高识别精度，同时保持模型体积较小，可为无人机在机载端识别早期松材线虫病害提供可能。