无人机（UAV）飞行器在各个领域的使用逐渐普遍化,但由于无人机监管体系不健全导致各国频发威胁公共安全的事件,研发一套自动无人机检测系统显得尤为重要。雷达、红外、声波等检测方式都应用到了无人机检测系统中,但在特定条件下各自都存在检测缺陷。为此本文提出使用图像识别的方式,基于深度学习的方法来对无人机进行实时检测。本文结合无人机检测问题从以下几个方面展开研究:1.本文为了更好的得到无人机检测算法的设计思路,结合可变形部件模型算法来实施无人机检测算法研究,使用传统滑窗法来实现无人机识别,并通过改进融合跟踪算法实现无人机实时性跟踪。接着对区域提名的神经网络模型进行研究,对网络架构进行改进,提升整体识别性能和小目标无人机识别效果,最终实现无人机检测。为后续高精度和高效率无人机识别算法提供更好的研究思路。2.本文通过采用深度学习的方式,使用深度卷积神经网络实现对无人机的检测,解决传统算法的泛化能力弱,鲁棒性表现差,实时性差和准确率不高的问题。由于未发现公开的旋翼无人机标准数据集,使用相机拍摄呈现多种飞行姿态,不同飞行高度,不同环境背景下的无人机视频序列,然后制作了包含11797有效的无人机样本数据集,同时将本文所创建的旋翼无人机数据集和源码进行公开^（1）。3.本文结合开源的Darknet深度学习网络框架,在YOLOv3模型上做出改进,包括样本增强、边界框设计、损失函数设计、多尺度研究、预测框过滤等部分,使得无人机检测满足实时性要求,提高检测精度。同时证明卷积神经网络在无人机检测方面具有实时性好、准确率高的特点,并与现最先进的检测算法相比,改进后的方法满足实时性要求的同时表现出极好的精度。本文对无人机检测分别进行测试验证和对比实验。经改进后的卷积神经网络无人机检测算法与目前最优秀的算法相比表现出了最好效果,经评估AP₅₀、AP₇₅分别值为1.000和0.850,推理时间为0.030秒。最后,将本文的研究成果应用到工程项目上,搭建了无人机检测系统软件平台。