消费级无人机的使用门槛低、管控少,黑飞现象成为不可忽视的问题。如何实现对黑飞的管控是一个迫切需要处理的难点。本文针对无人机检测系统进行了研究,分析了目前常用的目标检测算法和目标跟踪算法,针对KCF(Kernelized Correlation Filters)的特征问题和上下文感知跟踪算法的特征和响应问题进行了改进,搭建了无人机检测系统。主要研究工作如下:1.针对目标检测问题,说明了传统的基于人工特征和分类器结合的检测算法,并进一步说明了基于深度学习的检测算法,仿真验证了无人机检测系统采用的卷积神经网络的识别效果。2.对基于计算机视觉的目标跟踪问题进行了研究,针对KCF跟踪算法采用HOG(Histogram of Oriented Gradient)特征导致目标响应难以达到像素级定位问题,采用了二次抛物线模型近似拟合离散的目标响应,通过泰勒公式对拟合的连续曲线求极值得到连续曲线的极值点,并通过此极值点作为最终的目标响应极值,在OTB50数据集验证本算法可提高跟踪性能。相比KCF算法,精度提高了0.13%,成功率提高了1.4%。3.对于基于上下文感知的跟踪算法使用传统人工特征不能够很好表达目标的外观问题,采用了深度特征优化算法描述目标外观的能力,通过平均峰值相关能量检测响应的置信度,在OTB100数据集上验证了本算法可提高跟踪性能。相比STAPLE_CA(Sum of Template And Pixel-wise Learners_Context-Aware)算法,精度提高了4.8%,成功率提高了5.3%。4.基于目标检测和目标跟踪的研究,搭建了基于卷积神经网络的无人机检测系统。在Linux系统训练基于Darknet的无人机检测模型,在VS2015 IDE上移植YOLOv2目标检测算法,采用海康威视的PTZ(Pan/Tilt/Zoom)摄像机作为视频来源,实现了视频流格式转换,通过双线程提高运行效率,通过链队列存储视频数据,通过互斥量优化双线程对临界资源的访问,通过GPU加速检测,通过PID(Proportion/Integration/Differentiation)控制云台转动。经测试,本系统经上述操作可实现对无人机的检测与跟踪,达到预期效果。相比未优化的检测系统,检测速度提高了78倍。