民用无人机的快速发展和广泛应用给生活带来了便利,同时也导致了侵犯个人隐私和威胁公共安全的事件频发。基于可见光技术的无人机入侵检测系统依赖于发展迅速的机器学习技术,成为了机器视觉领域的研究热点。然而,无人机在图像中的像素占比较小、在复杂背景下易融于背景等难点,使得目前基于可见光技术的无人机入侵检测系统不够完善。本论文针对无人机入侵检测系统的需求,研究并设计了一种基于机器视觉的无人机入侵检测系统。主要研究工作如下:（1）针对Vi Be（Visual Background extractor）运动目标检测算法对运动状态改变的目标检测时易出现鬼影问题,提出了基于中值法背景补偿的改进Vi Be算法。通过在Vi Be算法背景建模前使用中值法建立背景模型,避免了第一帧图像将运动目标作为背景元素出现鬼影问题的可能。同时,每间隔500帧图像,使用50帧图像进行一次中值法背景建模作为补偿。在目标运动状态改变时,采用历史多对比机制判断无人机运动目标,以防止将无人机目标逐渐吸收为Vi Be背景而出现鬼影问题。加入了分散度系数用于自适应前景与背景的分割,以适应场景光照强度变化。通过算法对比,改进后的Vi Be算法查准率较原来提升了4%,查全率提升了8%。（2）通过对3款无人机不同角度、不同尺度、不同姿态等状况实时拍摄以及网络获取、样本扩充等手段,获得了28510帧无人机目标识别样本。在此基础上按照9:1的比例构建训练集和测试集。在同一样本集下对目标识别算法下同属于one-stage类的YOLOv4（You Only Look Once version 4）、YOLOv3和SSD（Single Shot Multi Box Detector）算法进行训练和测试。在平均精准率上YOLOv4较YOLOv3高5.18%,较SSD高4.8%;在平均召回率上YOLOv4较YOLOv3高3.21%,较SSD高2.17%。因此选用YOLOv4作为本系统目标识别算法。（3）针对STC（Spatio-Temporal Context）目标跟踪算法在与无人机相似背景下,错误时空上下文信息递增的现象,提出了一种基于Kalman滤波器的STC目标跟踪算法。该目标跟踪算法在单一天空背景下建立时空上下文信息模型,进行区域概率分析完成目标定位。而在复杂背景下使用Kalman滤波器对目标进行定位,避免了STC算法错误时空上下文信息叠加的可能。通过对比分析,改进后的算法跟踪平均成功率相比较于原算法提升了10.3%,平均中心位置误差缩减了6.2个像素距离。（4）本文将上述的目标检测算法和目标跟踪算法相结合,通过带有云台的摄像机搭建了带有客户端的无人机入侵检测系统,分步进行云台随动运动目标检测、镜头变焦目标识别和云台随动目标跟踪等任务,达到实时无人机入侵检测的目的。