多旋翼无人机近年来迅速发展,广泛用于许多领域,例如农业、交通运输、交通监控和航空摄影,但是,由于业余多旋翼无人机的广泛使用,已经出现了越来越多的公共安全威胁和社会问题。为此反无人机技术非常重要,本文研究声音定位技术定位无人机和图像识别技术识别无人机。多旋翼无人机的定位技术在反无人机系统中起着重要的作用。采用基于机器学习的无线传感器网络声源定位方法:（1）建立起声音衰减模型,以模拟由环境噪声和变化的环境引起的衰减和失真。（2）利用最大似然法求解声音衰减因子。在本文中求得的大疆spark无人机的衰减因子为0.13。（3）采用五种机器学习算法来估计单个无人机的坐标,这五个算法分别是人工神经网络（ANN）,朴素贝叶斯,决策树（DT）,K最近邻（KNN）和随机森林（RF）。既使用基于声能的接收信号强度（RSS）,又使用RSS之间的差（RSS＿D）作为机器学习算法的输入。实验表明,除了ANN之外,其他机器学习算法的定位性能都不错。对于环境噪声的情况,使用RSS＿D作为输入比仅使用RSS的噪声具有更好的定位精度。对于多旋翼无人机的识别,本文采用图像处理领域的物体检测相关算法。在本文中,为了能提升检测速度,采用基于裁剪的深度卷积神经网络的小型无人机检测方法:（1）由于深度卷积神经网络有着强大的特征提取能力,为获得较高检测精度的深度卷积神经网络,测试了四种最新的深度卷积神经网络检测算法:Retina Net、FCOS、YOLOv3和YOLOv4。这四种方法分别得到90.3%,90.5%,89.1%和93.6%的m AP。选择YOLOv4为基准模型,其容量为245.8 MB,FPS为43。（2）使用不同的参数裁剪YOLOv4的卷积通道和shortcut层,以获得更浅的模型。在这些模型中,裁剪的YOLOv4模型是pruned-YOLOv4,它具有0.8通道裁剪率和24层裁剪,实现90.5%的m AP,69 FPS和15.1 MB。prunedYOLOv4在精度损失较小的情况下,处理速度提高60%。通过实验比较tinyYOLOv4和pruned-YOLOv4的各项性能,考虑到速度和准确性之间的权衡,由于tiny-YOLOv4的m AP相对低了25.9%,所以选择prouned-YOLOv4作为检测器。（3）进行小物体增强,以增强对小型无人机的检测能力并补偿精度损失,YOLOv4并没有取得较大改进,但tiny-YOLOv4和pruned-YOLOv4都取得较大的改进,其中pruned-YOLOv4的准确性和召回率分别提升22.8%和12.7%。在精度和速度的均衡下,经过小目标增强的pruned-YOLOv4检测小型无人机具有较好的表现。最后通过百度云部署到嵌入式设备中,在嵌入式端识别检测无人机。