为保障军事单位、保密单位、机场附近的等特殊场所的空域安全,检测其上空是否存在未经计划的飞行器至关重要。以往一般是通过雷达进行侦测,而这对于装载了反雷达装备的隐形飞行器则很难进行很精准的侦测。通过计算机视觉技术进行图像、视频上的运动目标检测,可以作为一种重要的侦测补充手段。传统的运动目标检测方法往往会存在例如鬼影问题、对环境质量要求高、对光照敏感,对运动小目标检测的效果不太理想。而深度学习的发展则为运动小目标检测提供了一个新的方向。基于此,本文提出了一种新的基于深度学习的运动小目标检测算法,并设计开发了一套异动检测原型系统,异动检测即运动目标检测包括运动小目标检测。本文的主要研究内容如下:1、提出了基于深度学习的运动小目标检测算法,该算法参考了帧间差分法、孪生神经网络、特征金字塔FPN的思想,综合考虑了图像的运动区域和颜色这两个因素对运动小目标进行检测。实验表明该算法在静止背景下平均精度比基于神经动力学的光流法高出约3%,达到92.26%,在动态背景下的检测精度也比其高出1%达到85.14%,且检测一对样本图像平均耗时仅需0.22秒,比基于神经动力学的光流法低0.26秒。2、提出了一套可行的模型迭代优化方法。由于借鉴“飞椅数据集”的制作思想自制的数据集无法反映真实场景中可能会存在的各种情况,因此本文提出了一套数据自动收集方案,并通过数据增强的方法丰富了数据集。实验表明,经过真实场景数据训练的模型比之前的模型在真实场景中检测效果更好,平均精度提高了约3%。而数据增强也能够有效提高模型的检测效果,经过数据增强后,模型的平均精度提高了约0.6%。3、设计并实现一个可以实时检测运动（小）目标并向用户发出警报的异动检测原型系统。该系统不仅可以检测一般尺寸的运动目标,还可以对运动小目标起到很好的检测效果。该异动检测原型系统只需要经过很小的改动,就可以用于各种场合,包括:民用安防领域下对重要出入口的监控、军事国防领域的空中无人机检测等。该系统基于本文提出的运动小目标检测模型,可以快速准确地检测当前监控视频中是否存在运动目标,并通过界面提示、发送短信或邮件来对用户进行警报,同时将检测出存在运动目标的视频帧保存成记录以供后续的查阅。