随着无人机行业的快速发展,无人机检测技术已经成为低空领域的研究热点。然而低空背景复杂多变,远距离探测时无人机目标特征少、小目标数量占比大,传统的检测方法难以提取到有效的目标特征信息。因此,针对上述问题,本文开展基于改进YOLOv5的低空无人机检测方法研究,旨在提高低空无人机小目标的检测性能。论文的主要研究内容如下:针对低空无人机目标检测领域数据量不充足的问题,本文构建了特定低空无人机目标数据集。首先,通过实地拍摄、爬虫获取、自行搜集、借鉴现有数据集等方法构建原始数据集;其次,在原始数据集上利用常规数据增强方法模拟无人机飞行拍摄的真实户外环境,使其能够有效应对光照、天气等复杂环境因素的影响;然后,通过提出的随机拼接数据增强、截取嵌入数据增强和大尺度抖动数据增强方法提高数据集中小目标的占比,丰富检测背景;最后,得到的低空无人机目标数据集共有21844张样本图片,为后续的研究奠定良好的数据集基础。针对低空无人机目标在干扰信息少、净空等简单背景下,存在小目标占比少、像素低的问题,本文提出了基于双向特征融合的小尺度无人机检测算法。首先,为了弥补浅层特征通道向深层通道传递过程中的信息损失,构建一种串行注意力模块S-E Attention,在捕获特征局部关系的同时增强模型全局感知能力;其次,将原模型高层最近邻插值上采样更换为基于内容的CARAFE（Content-Aware Re Assembly of FEatures）上采样,在较大的感受野内利用周围信息建模;最后,将原始模型的低层下采样方式更改为上下文感知下采样模块,在下采样过程中将池化特征和空洞卷积特征进行堆叠,以此降低下采样过程中低层信息的损失。通过多组实验验证了基于双向特征融合小尺度无人机检测算法的有效性。针对低空无人机目标在楼宇、城市、树林、高山、光照变化等复杂背景下,存在分辨率较低、特征信息不明显的问题,本文提出了基于特征增强的复杂场景下无人机目标检测算法。首先,为了融合多尺度局部特征信息和全局特征信息,将特征提取网络C3模块和位置注意力机制CA（Coordinate Attention）融合,进一步强化网络对方向和位置等信息的敏感度;其次,设计由新型Cross卷积和通道注意力机制构建的骨干网络增强模块BEM（Backbone Enhancement Module）,对水平和垂直梯度信息进行探索,以聚焦于更深层次信息挖掘,缓解常规卷积提取特征有限的问题;最后,为了减少细节信息丢失和聚合多尺度信息,将骨干网络的SPPF（Spatial Pyramid Pooling-Fast）模块替换为构建的C3ASPP模块。通过多组实验验证了基于特征增强的复杂场景下无人机目标检测算法的先进性。