传统周界安防传感方式单一、易受环境气候等因素干扰,容易误报,导致系统检测精度极低,另外系统不具备自动分析、智能识别的能力,因此在现代安防体系中只能作为辅助工具。随着人工智能、机器视觉、5G等前沿技术的发展及其在智慧城市、平安城市等领域的应用,周界安防的智能化研究受到了广泛的关注。本文提出了一种多维感知入侵目标检测系统,可对多个场景中的入侵目标进行两阶段的分级检测。首先利用微波雷达传感器、无线信号传感器、加速度传感器进行目标探测,然后基于视觉进行目标的准确检测。在探测阶段,三种传感器相互独立、相互验证,在周界垂直方向形成由远及近的立体感知场、在周界水平方向形成感应阵列。对于采集和标注的数据采用机器学习进行算法分析,分别用SVM、MLP、1D卷积方法进行了实验并比较了探测精度和模型大小。为了实现边缘计算、降低总线的传输压力和提高总线传输速度,本文将训练得到的模型权重移植到STM32微控制器中进行推理运算并对智能分站Linux内核中485通信驱动模块进行了优化。在视觉检测阶段,对探测阶段得到的入侵结果进行复检,进一步定位和识别入侵目标。为了获得更高的检测精度、更好的特征提取能力和类似YOLOv3网络的多尺度检测能力,本文改进了两阶段的视觉检测模型Faster RCNN并替换了网络结构中的骨干网络,先后尝试用Res Net50、Res Next50、Efficient Net、Mobile Net骨干网络来替换原论文中的VGG16网络并加入了FPN结构作为颈部网络来获取多尺度特征融合信息及多特征图输出。最后在模型不会大量增加计算量和参数量的情况下,为了提取更关键和重要的信息进而使模型能够做出更准确的判断,本文还先后在Res Net50网络结构中加入了SE通道注意力机制、CBAM混合通道和空间注意力机制、CA坐标注意力机制。本文对所提出的周界入侵目标检测系统进行了设计和实现,完成了系统分析与实验。在探测阶段,提出了Wiser-MLP、Wiser03-CNN网络模型并在自制数据集上进行了测试,其精度分别为86%和91%。在视觉检测阶段,改进后的模型对比原Faster RCNN模型,在Pascal VOC2012数据集上m AP提高16.8%,达到了80.4%。综合两阶段的检测精度,系统对入侵目标的检测精度高于90%。本文在最后探索了TX2的计算性能,量化加速后的目标检测模型在TX2上的检测速度可达10FPS。