由于无人机技术的快速发展,无人机在人们的日常生活与军事等领域得到了广泛应用,但是随之而来的无人机“黑飞”、“滥飞”等问题,对人们日常生活和个人隐私造成严重威胁,反无人机需求越来越强。由于无人机是典型的低慢小目标,其飞行高度低、速度慢,有效探测面积较小,多普勒效应不明显,飞行环境复杂,基于微波雷达和机器视觉的反无人机技术研究面临巨大挑战。因此,本文对基于深度学习的无人机目标识别与跟踪技术展开研究,重点解决无人机视觉检测效果差及复杂背景下无人机目标跟踪性能弱的问题,研究内容包括以下几个方面:1.改进YOLOv3目标检测算法网络结构。针对YOLOv3目标检测算法对小目标无人机检测精度偏低问题,提出了将传统特征金字塔结构（FPN）改进为双向特征金字塔（Bi-Fusion FPN）的方法,使相关网络层能融合来自浅层网络与深层网络的特征信息,提升模型小目标无人机检测精度。通过实验证明,改进后的YOLOv3模型的小目标无人机检测精度提升3.8%。2.对无人机数据集采用数据增强操作。针对无人机数据集中的小目标无人机图像数量与中目标、大目标无人机图像数量不平衡问题,本文提出对无人机数据集采用数据增强的方法,对训练数据集中包含小目标无人机图像进行过采样操作,同时对图像中的小目标无人机进行复制粘贴操作,有助于目标检测算法获取更多小目标特征。通过实验证明,使用训练数据集增强的YOLOv3算法检测精度提升1.2%。3.改进Siam BAN目标跟踪算法网络结构。针对Siam BAN目标跟踪算法在复杂环境下区别目标与背景性能弱的问题,本文提出将深度卷积操作（Depthwise Convolution）替换为非对称卷积（AC）操作的方法,用两个独立的卷积代替了拼接特征映射上的直接卷积,使模板图像与搜索图像的特征融合操作中加入更多参数,从而提升网络跟踪性能。针对Siam BAN算法输出的回归边框与无人机目标真实位置边框有偏差问题,提出了精炼模块（Refinement Module）,对网络的分类分支输出与回归分支输出进行精炼整合,增强模型跟踪效果。经过实验证明,改进的Siam BAN模型的无人机跟踪精度提升2.5%。