“黑飞”无人机一旦带有炸弹等物品，会对人们带来威胁。对在公园、游乐场、学校等复杂背景下“黑飞”的无人机进行目标检测是十分必要的。前沿算法YOLOv7-tiny属于轻量级网络，具有更小的网络结构和参数，更适合检测小目标，但在识别小目标无人机时出现特征提取能力弱、回归损失大、检测精度低的问题；针对此问题，提出了一种基于YOLOv7-tiny改进的无人机图像目标检测算法YOLOv7-drone。首先，建立无人机图像数据集；其次，设计一种新的注意力机制模块SMSE嵌入到特征提取网络中，增强对复杂背景下无人机目标的关注度；然后，在主干网络中融入RFB结构，扩大特征层的感受野，丰富特征信息以增强特征提取的鲁棒性；然后，改进网络中的特征融合机制，通过新增小目标检测层，增加对小尺度目标的检测精度；然后，改变损失函数提高模型的收敛速度，减少损失以增强模型的鲁棒性；最后，引入可变形卷积(Deformable convolution, DCN)，更好的根据目标本身形状进行特征提取，提升了检测精度。在PASCAL VOC公共数据集上进行对比实验，结果表明改进后的算法YOLO7-drone相比于YOLOv7-tiny，平均精度(map@0.5)提升了6%；在自制无人机数据集上进行实验，结果表明YOLOv7-drone与原算法相比，平均精度(map@0.5)提高了6.1%，并且检测速度为72帧/s；与YOLOv5l、YOLOv7目标检测算法进行对比实验，结果表明改进后的算法在平均精度(map@0.5)上分别高于对比算法4%、3.1%，验证了文中算法的可行性。

针对单帧复杂背景红外图像点目标检测算法存在复杂背景下处理效果不理想、处理时间长的问题，提出了一种层次卷积滤波检测算法。主要分为两个部分：第一，根据红外小目标特性，设计一种层次卷积滤波的算子，对图像进行滤波处理，实现图像中小目标的增效和背景抑制的效果；第二，采用基于最大值的自适应阈值方法，对图像进行二值化操作，过滤背景杂波，最终提取到待检测的目标。在大量不同背景红外图像中进行实验，论文算法在背景抑制因子和信噪比增益的性能量化结果上优于现有5种典型红外弱小目标检测算法的性能结果，且平均处理时间仅为高斯拉普拉斯（Laplacian of Gaussian，LoG）滤波算法的30.42%。通过实验对比，表明该层次卷积滤波算法可以有效解决在不同复杂背景下的红外图像中对小目标检测的问题。

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。

在雨雪天气、树叶晃动、水面闪烁等有复杂背景的可见光与红外场景中，快速准确地提取完整目标一直是运动目标检测中的首要难题。为了满足实时性，并针对现有视频的前景提取算法依赖先验信息、召回率低、缺乏纹理和噪声较大等问题，提出了一种基于直方图统计和改进的局部二值模式（Local Binary Pattern，LBP）纹理特征相结合的背景建模方法。首先，使用各像素直方图的众数作为参考背景，无需先验知识，节省了大量存储空间，再采用邻域补偿策略提出了一种改进的S_MBLBP纹理直方图与参考背景进行背景建模，消除了大部分动态背景和光照变化影响，实现目标的精确提取。实验表明，所提的算法在红外和可见光的多种复杂场景下，能快速提取前景目标的同时，提高了准确率和召回率。

提出了一种新的解决夜光遥感复杂背景问题的单阶段深度卷积检测网络，首先通过提取高维特征再特征选择的思想设计分类网络提取语义特征，并研究不同的通道数网络对降噪的影响；提出灰度能量的先验框匹配，将低噪声高质量的匹配框输入SSD检测网络，并使用积分图思想简化计算；使用可变形卷积以适应目标的形变，并获取更强的几何特征表达能力；通过加入顺序连接与密集连接改进全局语义模块，引入了网络的跨层信息交互，其注意力图综合考虑了高低感受野以有效区分小型目标和背景噪声。在夜光遥感数据集上通过实验验证了所设计的网络相比于其他单阶段网络具有优势，对于复杂背景下的建筑区具有较好的检测效果。