随着经济的发展,航空运输和飞机出行所占比例越来越大。在飞机起飞或者降落时,机场跑道上的任何外来异物都会带来巨大的威胁。现在,国内的很多机场通过人工巡检的方法来检测机场跑道异物。目前的机场跑道异物检测系统所使用的技术包括基于雷达的检测技术以及基于光学图像的检测技术。这些年来,深度学习技术发展迅速,基于卷积神经网络的目标检测算法也取得了很大的进步。机场跑道异物中一些物体比较小,直接使用现有的算法可能检测不到这些小目标,导致检测准确率偏低。针对这一问题,本文进行了基于卷积神经网络的机场跑道异物检测算法的研究工作,具体工作如下:针对机场跑道异物中小目标难以检测的问题,本文在对高分辨率网络进行研究的基础上,构建了高分辨率网络来进行机场跑道异物的检测,这里通过把高分辨率卷积和低分辨率卷积进行并行连接与融合,以此来实现在卷积的过程中维持高分辨率的表示。通过多层次的平均池化下采样,构建多层次的特征图。将高分辨率网络作为主干网络应用于其他的算法中,并在FOD3(Foreign Object Debris Detection Dataset即FODDD)数据集上进行实验,结果表明高分辨率网络的使用能够有效提高算法对于FOD中小目标的检测准确率。在使用高分辨率网络作为主干网络的基础上,对目标检测算法中IoU(Intersection over Union)阈值大小的设置进行研究与分析,采用级联的思想,通过级联不同的IoU阈值来提高网络的检测精度,从而提升算法对于机场跑道异物的检测准确率。在FOD3数据集上进行实验,验证了加入IoU阈值级联的结构可以提升算法对于FOD中目标的检测效果。设计实现了基于全局上下文信息的机场跑道异物检测算法。在原有的非局部模块捕获图像全局上下文信息的过程中,每个位置获取的全局上下文信息几乎相同,所以对其进行简化,用一个位置替代其他的位置。然后融合SE(Squeeze-andExcitation)模块的思想,对特征通道之间的关系进行建模操作,最后形成了全局上下文模块。在现有算法的主干网络中加入全局上下文模块并在FOD3数据集上进行实验,证明全局上下文模块的加入能够提高算法的检测性能。