随着我国人民生活水平的日益提高及低空空域的逐步开放,低空飞行器的受众也越来越多。如何保证低空空域的安全和实现对低空目标的高效监管,成为了亟待解决的问题。本文就基于深度学习设计了小型化的低空目标检测系统,帮助提升对低空空域安全的监管能力。系统结合目标检测和图像语义分割算法,对低空目标进行检测,在检测目标为飞机类别且尺寸大于一定阈值时,使用语义分割算法实现目标与背景的分离,为后期能够准确评估目标威胁程度提供参考。针对低空目标检测的问题,本文主要进行了如下工作:(1)首先,针对于低空目标在光电设备中成像像素少、特征不明显等特点,结合公开数据集和自身手工标注构建了规模为1万张左右的目标检测图像数据集,数据集以飞鸟、风筝、无人机、气球、飞机五类常见低空飞行物为目标。(2)通过实验对比YOLOv3和YOLOv3 tiny算法,发现前者检测精度高,检测速度慢,而后者检测精度低,检测速度快。本文就基于YOLOv3目标检测算法,结合MobileNetv3、Dense等网络思想,保证较高检测精度的情况下,尽量降低模型的参数量和计算量。使用改进后的网络结构在自建图像数据集训练并测试,结果表明,对比YOLOv3和YOLOv3 tiny算法在小尺寸图像上的检测,改进算法平均检测精度为48.91%,明显优于YOLOv3 tiny算法的37.13%,但整体检测精度还是略逊于YOLOv3算法的63.7%。以Jetson TX2为实验平台,改进算法平均的检测速度为5.5帧/s,介于YOLOv3 tiny的12.3帧/s和YOLOv3的2.4帧/s,满足低空目标检测系统的要求。(3)针对检测目标为飞机类别且大小大于一定阈值时,进行语义分割,实现图像中目标前景与后景的分离。在DeeplabV3+算法的基础上,优化网络结构,压缩模型。实验表明改进算法在精度不下降太多的情况下,很大的提升了检测的速度。(4)在改进低空目标检测算法和改进的图像语义分割算法的基础上,基于PyQt5和Jetson TX2硬件平台,设计并实现了小型化的低空目标检测系统,提高了低空目标的检测和监管水平。本论文设计基于深度学习的目标检测系统,灵活性和机动性高,且具有较好的检测效果,能够有效提高对低空目标的监管效率,保证低空空域的安全,具有较高的实际应用价值。