近年来,小型无人机被广泛应用于各个领域,给工业生产和日常生活带来了极大的便利。然而,由无人机“黑飞”所造成的威胁公众安全的事件也频频发生,严重干扰了人们正常的生产生活秩序。为了抵御由无人机带来的安全威胁,对其发现、识别并予以反制的需求也不断上升。作为典型的“低慢小”目标,无人机本就有着难以被雷达探测到的特点。加之其体积小,机动性强,结构特殊,善于低空飞行,这一系列特点更是加大了雷达对其进行探测的难度。基于此,本文对低空环境下的无人机检测与识别问题进行了研究。本文首先基于旋翼型无人机的基本结构建立了无人机的运动模型,研究了其飞行过程中的特点。基于此模型,推导了机身和旋翼的回波信号模型,给出了其回波信号的表达式,为后续的工作奠定了基础。针对无人机所处的低空多径环境,本文基于多径环境下的信号传播模型和目标检测模型,研究了雷达在多径环境中对于不同Swerling起伏型目标的检测性能。通过数值仿真的方法,给出一种适用于多径环境下的M/N检测器的参数选择方法,并以仿真实验验证了该方法的有效性。为了提高在低信噪比场景下对无人机参数估计的准确性,本文提出了一种基于逆约当变换（Inverse Radon Transform,IRT）与圆形检测（Circle Detect,CD）相结合的悬停无人机参数估计方法,改进了现有的参数估计方法,在提高运算速度的同时,也提高了抗噪声性能。针对机动型无人机,本文提出了一种基于约当变换（Radon Transform,RT）与正弦检测（Sinusoidal Detect,SD）的参数估计方法,在对机动型无人机进行运动补偿后,结合参数搜索的方法对其进行参数估计。此外,本文还研究了深度学习在无人机目标识别方面的应用。将传统信号处理的方法与卷积神经网络相结合,提出了一种基于短时傅里叶变换（Short-Time Fourier Transform,STFT）与逆约当变换（Inverse Radon Transform,IRT）相结合,利用Google Net进行无人机识别的算法并通过仿真生成的数据集验证了该方法的识别率。