在无人机集群对抗中,探测技术面临着非常多的挑战。首先,针对无人机这类低小慢目标,常规雷达难以达到有效检测;其次,在跟踪无人机集群时,对于出现的目标间交叉、退出与进入场景均会导致轨迹难以准确匹配;除此之外,如何从宏观描述集群特征,实现探测到反制的有机统一也是关键难点。本论文对以上面临的困难与挑战进行深入分析,设计反无人机集群探测系统,在有限计算力条件下,实现对无人机集群目标的实时精准探测,并进一步识别无人机集群几何特征。课题结合深度学习在计算机视觉领域的突出性能表现,设计并优化多目标实时检测跟踪算法,对无人机集群目标宏观几何特征做出定义,设计算法进行集群特征识别。综上所述,课题的主要内容除研究特征工程、深度学习与目标检测跟踪技术基本理论,还包括:1.针对检测小型目标时计算力与准确率间的矛盾,在基于YOLO的检测算法基础上,提出结合FPN和残差网络的深度学习技术,采用大、中、小目标分层检测,深、浅层网络特征融合的技术路线,有效提升了算法检测小目标不力的问题,同时保证了实时性检测的速率。2.针对多目标跟踪任务中轨迹匹配精准度低的问题,在Kalman滤波算法的基础上,提出结合余弦距离的轨迹匹配算法,联合目标运动特征与表观特征,有效解决了目标遮挡、退出与进入场景时的轨迹匹配问题。3.在图像亮度动态范围较高与较低条件下,目标容易与背景混淆,造成图像的前景与背景难以分离,影响检测与跟踪的准确率。针对该问题,研究图像增强与色调映射技术,设计基于生物视网膜的图像增强算法,采用自适应卷积的方法,有效提升了图像的亮度等级分布,进而提高目标的检测准确率。4.在以上研究的基础上,提出结合现阶段常规反制措施的集群宏观特征定义,设计基于双目视觉的三维重建算法,并在此基础上对集群几何特征进行提取,实现了符合反无人机集群任务需求的集群目标几何特征识别技术,克服了无人机集群目标宏观特征描述的难题。课题设计出了传统算法与深度学习相结合的无人机集群探测系统,并在大量数据集上进行了验证,具有实时检测集群小型目标、描述集群特征的功能,能够用于反无人机集群技术的探测阶段,解决基于集群几何结构的识别问题。