航空运输作为一种快速高效的运输方式,在交通出行领域具有重要地位,如今越来越多的机场正在新建或改造。航空运输的安全性一直是人们重点关注的话题。由于飞机起降过程速度非常快,跑道上的任何外来异物都可能对飞机的起降安全构成严重威胁,及时检测并清理机场跑道外来异物是保障飞机起降安全的重要环节。传统的机场跑道异物检测方法是依靠人工徒步巡查,这种方式不仅效率低而且难以及时发现新出现的异物,造成较大安全隐患,因而迫切需要高度智能化的自动检测系统。本文针对这一需求,开展了基于深度学习的机场跑道异物检测与识别技术的研究工作,主要包括:设计并构建了具有多属性语义标签的机场跑道异物检测数据集。针对目前缺乏公开机场跑道异物检测数据集的问题,根据机场跑道异物实际场景的数据分布情况以及深度学习的技术特点设计和构建了用于机场跑道异物检测的数据集。最大限度地模拟了真实环境下机场跑道的场景进行拍摄,采用通用数据集的标注准则定义多属性语义标签,并采用典型的目标检测网络对数据集的有效性进行了测试验证,结果表明该数据集能够较好地实现对目标检测网络的训练,达到了较好的检测效果。基于所建立的数据集,进一步设计实现了基于特征融合的机场跑道异物检测与多属性语义识别算法。针对机场跑道异物形态各异、小目标居多等特点,通过设计特征融合模块,充分利用不同感受野特征,实现对多尺度目标的有效检测。同时针对实际场景中对目标危险等级、材料识别等信息的识别需求,为网络设计了多属性语义识别分支,在检测定位的同时实现目标的多属性识别。实验结果表明,该算法能够实现对各类机场跑道异物的准确检测和识别,尤其对于危险等级高的目标有更高的准确度,因而在实际应用具有更为重要的意义。为了进一步提高对机场跑道异物材料的识别能力,设计实现了一种基于对抗网络数据增广的材料识别算法。该网络采用超越经验最小化的神经网络训练思想,通过对抗样本数据增广的方式,提高基于特征注意力机制的残差卷积神经网络的分类器训练难度,增强分类性能,取得了显著优于现有算法的效果。