随着无人机技术的飞速发展以及民用无人机在市场上的大量普及,无人机的对公共和个人造成的威胁已越来越严重。因此反无人机技术的相关研究越来越得到重视。本课题针对反无人机中的无人机目标探测技术进行研究,利用红外和可见光探测器同时对场景中可能存在的无人机进行监测,在图像处理阶段检测、跟踪并识别图像中的无人机目标。由于无人机目标出现距离的不确定性,本课题研究难点在于面向不同尺度的无人机目标的检测跟踪技术,同时利用红外和可见光的互补性,对无人机目标进行融合检测。主要研究内容如下:首先,针对不同尺度的无人机目标,提出了不同的检测算法。针对大目标,利用目前较好的卷积神经网络进行检测,在自制数据集的基础上就进行训练,可实现对不同场景和传感器下的无人机大目标检测;针对小目标,研究了传统了形态学滤波检测算法,并且利用二叉树判据对TopHat变换进行了改进,降低了虚警率;同时基于YOLO卷积神经网络,提出了针对小目标的ST-YOLO卷积神经网络检测算法。并且,对每个算法进行了性能与边界条件分析。然后,在检测算法的基础上,提出了面向不同尺度多无人机目标的跟踪算法。该算法利用DBT(检测后跟踪)的目标跟踪方式,在检测阶段,使多尺度目标检测算法同时运行;基于检测结果,设置轨迹管理模块,采用轨迹关联的方式进行多目标跟踪,并且提出了全局与局部最优相结合的二次关联算法。最后,利用D_S证据理论,进行决策级阶段的红外与可见光图像融合识别。对单个传感器的图像,基于检测跟踪结果,提取目标的多特征信息,并且利用不同的特征信息赋予目标可信度。并且基于D_S理论框架,提出了二次融合的红外与可见光图像的识别方式。先对单传感器的多特征的可信度进行融合,再基于目标尺寸信息、两个传感器的检测信息,进行最终的红外与可见光图像加权融合识别。