2019年是无人机相关产业井喷式发展的一年,各类无人机产品层出不穷,无人机在军事、工业、娱乐生活等各个领域存在巨大的应有价值和研究前景。对无人机目标进行精确高效的检测,是同无人机发展密不可分的研究问题。由于无人机目标尺寸较小,飞行环境相对复杂且飞行速度、飞行姿态易变,目前的检测模型对于这类视觉特征较弱的飞行目标的检测能力有限。因此我们希望研究分析算法模型、目标尺度变化、目标姿态变化、目标背景复杂度、目标遮挡、多目标检测等问题对于检测模型检测能力的影响作用,建立起专用于无人机目标的检测模型,满足不同任务场景下对无人机目标的检测需求。(1)对目前主流的深度学习的目标检测算法进行了研究,着重分析和对比了R-CNN系列算法、YOLO系列算法和SSD算法在检测原理、网络框架、实现步骤、改进方法等内容上的联系与区别。对比研究了三种主流的基于深度学习的检测算法Faster R-CNN、YOLOv3、SSD在训练数据有限的情况下对于无人机目标的检测性能。(2)以SSD算法为主要研究对象,深入研究了于无人机目标姿态、目标尺度、目标遮挡面积占比及无人机目标背景对比度对于模型检测性能的影响。结果表明无人机目标具有高度的结构对称性,姿态随拍摄视角变化而变化,对模型检测性能影响不大。在背景干扰较小的情况下,模型对于小目标的极限检出能力约为21×16个像素。目标尺寸越小对于背景对比度变化和遮挡面积变化越敏感,一般情况下,遮挡面积不超过50%时,可以被模型成功检出。(3)针对多目标无人机集群检测问题展开研究,结合当前无人机集群发展的趋势,针对当前检测模型对多目标图像检测效果差、漏检现象严重的问题,提出了两点猜想,并进行了实验验证。从训练集着手对模型进行再训练,初步提高了模型对于“多、小”无人机目标的检测能力。(4)建立无人机目标专用训练数据集,最终包含1500张已标记的多姿态、多尺度、多背景的无人机目标图像,包含200张已标记的以天空背景为主的多目标无人机图像。建立无人机目标综合测试集,包含150张相似型号不同背景的无人机目标图像。建立专用无人机目标检测模型,对无人机目标数据的特点进行统计研究,根据研究结论对模型进行了针对性的改进和数据集增强,进一步提高了检测模型对于无人机目标的检测能力,最终实现模型对于该型号无人机目标的检测精度达到90%以上。