无人机进行红外航拍目标检测在交通、农业和军事等方面有着广泛应用。该领域的主要挑战有目标较小、相互遮挡、非刚体形变大以及红外成像纹理信息少、边缘特征弱等。针对以上问题，基于YOLOv5和结构重参数化优化思想，提出了一种针对航拍场景的目标检测模型Rep-YOLO。首先，在主干网络中引入RepVGG模块，提升模型特征提取能力；在模型推理时对RepVGG模块的多分支进行结构重参数化，减少网络分支和结构复杂度。其次，结合数据特征，改进检测网络颈部的路径聚合网络，提升检测算法在机载平台的精度-速度均衡能力。最后，在两个公开红外数据集进行对比实验，表明该算法的有效性。以南航ComNet航拍数据集为例，统计结果显示主要检测指标各类平均精度（mean Average Precision,mAP）提升5.9%，同时参数量和模型大小分别减少约29.7%和23.2%。另外，对Rep-YOLO在典型机载平台Jetson Nano上进行了模型部署验证，为航拍场景的检测算法改进和实际应用提供了可靠的技术支撑。