无人机航拍图像中小目标存在像素占比低、易受复杂背景干扰且尺度变化大等问题，导致现有检测易出现漏检与精度不足的情况。为此，在YOLOv11算法的基础上提出了面向无人机航拍场景的YOLO11⁃RHO改进算法。首先，在骨干网络中引入带有频率先验初始化的重参数化卷积（Online Convolutional Re⁃parameterization，OREPA），利用空间频率选择性增强模型对高频边缘和纹理信息的表征能力；其次，采用RepNCSPELAN4_high模块优化梯度传递路径，构建梯度直达通路以减轻小目标特征在深层网络中的衰减；再次，在特征融合网络中集成HFFB分层特征融合块，结合空间与通道解耦的自适应注意力机制，强化小目标表征，实现多尺度信息对齐；最后，面向轻量与实时部署进行整体设计。在VisDrone2019数据集上的对比实验与消融实验结果表明，改进模型性能优异，mAP@0.5=0.401，mAP@0.50∶0.95=0.245；同时，保持了轻量化架构（参数量为6.22 M，计算量为15.1 GFLOPs），有效兼顾了高检测精度与边缘端实时运行的需求，满足了端侧实际部署的要求。
