随着低慢小无人机广泛应用到各个领域,其造成的安全隐患问题也越来越突出,因此有效监控低慢小无人机成为当前一个亟需解决的问题。本文面向这一背景,开展基于深度学习的视觉探测低慢小无人机算法研究,具体成果包含以下几个方面:（1）分别制作了低慢小无人机可见光和红外数据集。收集了不同场景下,包含无人机,风筝和飞鸟三类物体的可见光图像15659张,红外图像5546张,再通过标注和划分,构建了本文的实验数据集,且指定了相关算法的评价指标。（2）分别设计并实现了面向可见光和红外图像的低慢小无人机目标检测模型。进行了二阶检测模型Faster R-CNN与一阶检测模型SSD基准实验,确立了检测的基础模型为Faster R-CNN。针对可见光数据集多尺度和复杂背景问题,对应引入特征金字塔、可变形卷积和自注意力机制、GIo U回归损失函数、在线困难样本挖掘技术进行改进;针对红外数据集存在（极）小目标的难点,除了使用特征金字塔和在线困难样本挖掘技术,还替换特征提取网络为HRNet,保持特征图的高分辨率。最后的实验证明了两个改进模型的有效性,可以满足全天候监测低慢小无人机的需求。（3）提出了一种低慢小无人机弱监督语义分割系统。采用Grab Cut算法和标注框生成无人机的“伪像素标签”,针对低慢小无人机在图像中的多尺度变化,正负像素样本不均衡的问题,引入语义分割模型S-Net,并利用焦点损失函数,Dice损失函数,图像混合方法进行训练和全连接条件随机场进行后处理,通过在可见光数据集上的实验证明了整个算法的可行性,加深了无人机识别定位效果。