机场跑道异物（Foreign Object Debris,FOD）作为起降阶段威胁飞机安全的致命杀手,会造成航班延误、起飞中断,甚至危及乘客的生命安全。目前国内外的机场跑道异物检测系统大都采用雷达探测为主、视觉为辅的机制,对小尺寸FOD目标的检测结果并不理想。本文研究基于视觉的FOD目标检测系统,借助数字图像处理方法和深度学习策略,准确高效地检测小尺寸FOD目标。Faster R-CNN是深度学习中的一种重要识别算法,可以实现对图像高层语义特征的获取。Faster RCNN框架可以有效识别一般卷积神经网络算法较难分类的FOD目标。本文主要研究改进的Faster R-CNN目标检测算法,给出了FOD目标识别策略,在FOD图像库上比较和验证了算法和策略的有效性。（1）针对机场跑道上经常出现的大尺寸FOD目标,考虑到系统的有效性和实用性,采用传统的数字图像处理方法作变化检测识别出大螺丝和大螺帽等比较明显的FOD目标;（2）对经变化检测处理后未检测出来的小尺寸FOD目标,进行基于Faster RCNN框架的识别,生成目标候选区域并进一步分类与回归。采用Dense Net代替Res Net-50进行特征提取,极大地减少了网络参数。提出了改进的RPN层中分类的损失函数和回归定位的损失函数,使用Focal Loss优化难以分类样本的权重,使得训练结果聚焦在难以分类的小样本和小尺寸的FOD目标上。在回归层中使用KL Loss,结合KL散度,使得网络更有效地回归和收敛。实验结果表明,本文方法能够实时地对机场跑道FOD目标进行检测,FOD目标检测准确率高、抗干扰性良好。主要体现在Dense Net可以降低网络冗余度、缓解梯度消失,进而提高检测速度;利用两类优化的损失函数可以保证分类和目标定位的检测准确率;Faster R-CNN架构提高了检测模块的鲁棒性,确保了系统良好的抗干扰性能。针对五类（小钢珠、金属螺母、细铁丝、大螺丝和小螺丝）FOD目标,本文方法实现了98.96%的FOD目标检测准确率,检测速度比经典的Faster R-CNN提高了一倍多。