无人机在给人们带来方便的同时也带来了威胁,根据无人机的特点,研发相应的防御系统实现对入侵无人机的探测、跟踪和打击势在必行。本文就设计相应的系统中目标检测与跟踪算法部分展开了深入研究,主要工作如下:考虑到目标检测与目标跟踪都使用卷积神经网络做特征抽取,孪生网络在目标跟踪领域的一些进展。针对超低空目标防御系统难以长时间对目标精确感知难题,本文提出了检测与跟踪融合算法。该算法采用统计的方法产生候选区域的相关参数,其中主干网络采用特征金字塔网络,主干网络的基本结构采用逆残差结构。在目标检测状态下,使用主干网络对输入图像进行特征抽取生成多尺度特征图,在多尺度特征图上直接预测目标类型和位置偏移,在检测到目标之后保存目标对应特征区域的权值,然后进入目标跟踪状态。在目标跟踪状态下,使用主干网络对输入图像进行特征抽取生成多尺度特征图。对特征图和保存的权值做卷积,然后在经过处理后的卷积后多尺度特征图上预测目标类型和回归目标位置偏移。当目标信度低于阈值,认为目标丢失,算法转入目标检测状态。算法使用统一的网络,相似的流程,结合了目标检测算法和目标跟踪算法的优势。数据集的重复会使卷积神经网络出现内部协方差漂移,并且极大的浪费标注人员的时间与精力。针对视频数据帧间重复问题,本文提出了基于卷积自编码器的数据集去重算法。该算法采用未标注的数据直接训练卷积自编码器,使用编码器获得输入数据的稀疏编码,使用卷积相似度评估函数评估不同图像的相似度。为了获得准确、高效的稀疏编码,本文分别采用实验的方法探索了不同的编码器,不同的解码器结构对算法的影响。通过与传统方法的性能的比较了,实验研究表明,基于卷积自编码器与卷积相似度函数能够有效的去除数据集冗余。针对数据标注获取困难的问题,本文作者经过实践发现,修改标注要比从无到有的对原始图像进行标注效率要高。受此启发,本文提出了渐进标注策略。先将模型分为若干份,首先标注第一份数据,使用这一小部分数据集训练一个模型,使用这个模型去预测第二份数据,修改第二份数据的标注。最后使用前两份数据去训练第二个弱模型。以此类推,直到所有数据的都被修改。经过实践验证,采用渐进标注策略可以高效的标注原始数据集。针对小目标检测精度差的问题,本文经过分析发现小目标检测精度差的主要原因是在进行正负样本判断的时候使用交并比作为衡量标准对于小目标不公平。即使是小目标完全在候选区域之内,小目标与候选区域的交并比也很小,仍会被认为是负样本。导致小目标受到训练的机会很小,为提高小样本受到训练的机会,本文提出了一种新型的简洁高效的目标扩增方式。采用一种特殊策略对目标进行随机复制,复制的同时进行旋转加等扩增方式。在粘贴的时候为克服边缘效应,对边缘使用余弦窗与背景相加。实验验证,新型的扩增方式对小目标的检测率有一定的提升。