随着无人机在军用和民用的比例逐渐提高,一定程度提高了事故比例,在无人机飞行区域,存在一定的安全隐患,因此如何提高无人机的识别率,成为了热门研究方向之一。在此前,提高对无人机的识别效果,都是从图像输入后的算法侧进行优化,目前并无学术论文研究结论得出,提高图像质量是可以提高无人机识别率,其实从图像的采集到最后的识别,每个环节都可以存在提高无人机识别率的空间。并且已有大量学术报告证明,红外图像和可见光图像的融合,可以提高图像的质量,为后续基于图像的实验提供更优质的像素信息,但是并未证明,是否可以为小目标的无人机提供更多细节信息,所以本文为了进一步提高识别无人机的效率,开展基于红外与可见光图像融合的无人机探测研究,提高对于无人机的识别效果。本文的主要工作内容如下:（1）图像采集:搭建双目摄像头并拍摄数据集、测试集。通过研究无人机在出现时的常见自然环境和拍摄无人机时的成像特点,研究无人机红外图像和可见光图像成像质量、图像的信息,搭建双目摄像头进行拍摄。并且模拟真实的无人机出现场景,拍摄不同复杂背景的2565张无人机图像作为训练集,498张可见光图像测试集,498张红外图像测试集。同时对2565张训练集和498张可见光测试集进行标注工作。（2）图像预处理:对图像进行预处理。在研究识别小型无人机时发现无人机目标体积小,需要更多边缘信息来凸显无人机,所以使用Laplace对498张红外图像测试进行预处理,增强图像的边缘信息,进一步提高图像的细节信息,同时也为图像配准做好准备。（3）图像配准:对可见光和红外图像进行图像配准。研究图像配准的常见方法和适用范围,研究红外图像和可见光图像的图像特点,创新性地使用Canny边缘检测和ORB特征检测的融合配准方法,完成498张可见光图像和498张红外图像的配准,同时为图像融合做好准备。（4）图像融合:对红外图像和可见光图像进行融合。研究图像融合的常见方法和使用范围,分析红外图像和可见光图像的图像特征,尽可能地保留目标对象的像素信息,通过Harr小波进行像素级融合,完成498张可见光图像和498张红外图像的融合,得到498张融合图像,对融合前后进行相关评估指标的对比,证明融合图像质量更好,同时为目标识别做好准备。（5）目标识别:对无人机图像进行识别。研究了one-stage和two-stage目标识别模型的特点,由于无人机的小目标特点,所以选择了one-stage中对小目标识别表现更好的YOLOv3进行训练框架的构建、预训练、识别。实验表明,分别对融合前的498张可见光图像和融合后的498张融合图像进行测试,前者m AP为92.45%,后者m AP为93.39%,提高了0.94%,说明在对无人机识别前,对图像分别进行可见光图像和红外图像融合,增加图像质量,提高识别率的方法是正确的。