跑道异物碎片（Foreign Object Debris,FOD）是干扰飞机正常起飞降落的主要原因,轻则会造成航班的延误,重则危及乘客的安全。目前国内对跑道异物检测系统的研究仍处于刚起步阶段。本文依据毫米波雷达模块采集的实测数据和光学图片数据集展开研究。本文首先搭建实测场景,建立雷达设备与光学设备的场景坐标关系,由于雷达坐标与光学坐标的坐标系不同,因此也提出了坐标转换方程来解决实际场景中的坐标关联问题。研究了实际场景毫米波模块的测距测角以及接收杂波特性;并且对雷达的测角功能进行扩展,采用虚拟阵列的方式提高了雷达的测角精度。其次针对采集的实测数据进行杂波拟合与杂波建模;介绍并对比了杂波模型参数估计和杂波建模的常用方法,采用卡方检验来定量分析杂波的拟合效果,采用ZMNL算法来生成拟合后的杂波模型。随后根据实际场景下的杂波分布模型设计目标检测算法,对实际场景回波进行相参积累,针对积累后的回波数据采用双参数杂波图CFAR和虚拟阵列技术分别获得目标的距离角度信息。最后进行目标识别算法设计,本文将光学设备拍摄的图片制作成数据集,在云服务器中搭建网络模型,设计网络参数,采用改进YOLOv4算法实现对包含跑道异物的图片进行精准识别,文中采用消融实验对改进算法与原算法进行对比验证,实验结果表明改进算法识别效果提升明显。实验结果表明,本文方法能实现对跑道异物的精确检测。主要体现在场景设计合理,能让雷达设备与光学设备形成一个整体,并能将雷达检测到的结果实时传输给光学设备,以保证目标的快速识别。雷达模块检测精确,基于实际场景设计的CFAR检测模型,不存在虚警漏警现象,且采用虚拟阵列对目标进行角度估计,能够有效提升测角精度。目标识别算法性能优越,针对原YOLOv4算法对小目标检测能力的不足,采用三种改进方案对原算法进行改进,针对石头、塑料、金属目标,实现了98.08%的检测准确率。