针对无人机端目标检测中存在图像尺度变化大、目标尺寸小和无人机机载嵌入式计算资源有限的问题，提出一种应用于无人机平台轻量化的目标检测网络。该网络以YOLOv5作为基准模型，首先增加检测分支以处理尺度变化的问题；然后提出基于归一化Wasserstein距离与传统IOU混合的小目标检测度量方法，用于解决小目标检测精度低的问题；随后提出FasterNet与C3融合的C3_FN轻量化网络结构，降低网络计算量，使其更适合无人机平台使用。最后将算法分别在仿真平台与嵌入式平台上利用无人机目标检测数据集VisDrone进行性能测试。仿真平台上的测试结果表明，本文提出的网络相较于基准网络在mAP_0.5指标上提升了6.6%，mAP_0.5-0.95指标上提升了4.8%，推理时间仅需45.9 ms，对比其他主流的无人机目标检测网络具有更好的检测效果。在嵌入式设备NVIDIA Jetson Nano上的测试结果表明，本文算法能够在有限的硬件资源下获得高精度接近实时的检测性能。

提出一种基于YOLOv5与CSRT算法优化的实时长跟踪方法，实现了对无人机在净空、城市、森林等场景的稳定跟踪。针对跟踪的不同阶段建立不同分辨率的两个捕获网络，分别对两个网络进行小目标检测优化和性能优化，并根据无人机数据集特点对其进行正负样本的添加以实现数据增强。然后，对CSRT算法使用GPU进行优化并结合特征点提取构建了低空无人机检测与跟踪模型。最后，将算法使用Tensorrt部署后在自建数据集上进行实验，实验结果表明，所提方法在RTX 2080Ti上实现了400FPS的跟踪性能，在 NVIDIA Jetson NX上实现了70FPS的性能。在实际外场实验中也实现了稳定的长时间跟踪。

针对传统算法提取遥感图像分类特征不全，及识别农作物分类准确率不高的问题，以无人机遥感图像为数据源，提出改进U-Net模型对研究区域薏仁米、玉米等农作物进行分类识别。实验中首先对遥感影像进行预处理，并进行数据集标注与增强；其次通过加深U-Net网络结构、引入SFAM模块和ASPP模块，多级多尺度特征聚合金字塔方法等对算进行法改进，构建改进的U-Net算法，最后进行模型训练与改进修正。实验结果表明：总体分类精度OA达到88.83%，均交并比MIoU达到0.52，较传统U-Net模型、FCN模型和SegNet模，在分类指标和精度上都有明显的提升。

反无人机系统是识别和打击“黑飞”无人机的有效手段，图像识别无人机是反无人机系统的关键之一。针对采集的无人机样本属于小样本、提取特征不够多，识别准确率不够高的问题，提出了一种基于迁移学习、密集卷积网络和坐标注意力机制融合的反无人机系统图像识别方法。首先，运用自制设备采集了多种无人机在不同背景下的图片，建立数据样本；其次，设计针对无人机小样本识别的基于迁移学习、坐标注意力机制和密集卷积网络融合的网络TL-CA4-DenseNet-121、基于通道注意力机制融合的网络TL-SE4-DenseNet-121等网络，运用设计的网络对小样本进行识别，并进行对比，然后分别进行了基于不同位置和不同个数的坐标注意力模块和通道注意力模块的网络识别实验；最后，将识别效果最优的网络与经典卷积神经网络模型进行对比实验。实验结果表明，提出的TL-CA4-DenseNet-121网络识别效果优于其他网络，识别的平均准确率为97.93%，F1-Score为0.9826，网络训练时间为6832 s。结果表明了该网络在识别小样本无人机方面的优越性和可行性。