近年来,随着科学技术的快速发展,无人机被广泛应用在民用领域,为人们带来了诸多便利。但由于监管力度不足,无人机的“黑飞”与滥用给国家、社会和人民造成了安全危害,因此国内外越来越重视对民用无人机反制系统的研究。本文针对自来水厂禁飞区域频繁出现“黑飞”无人机的问题,提出了基于卷积神经网络的水厂反无人机系统。论文主要研究内容为:（1）首先通过网络收集和现场拍摄两种途径获得民用无人机、鸟类和载人客机图像,并根据实际情况对图像进行数据增强,得到了图片质量高、完备性强的无人机识别数据集;其次构建和训练卷积神经网络、BP神经网络、DBSCAN和K-means等多种学习模型,证明了卷积神经网络对水厂“黑飞”无人机识别的有效性和优越性;最后提出了基于卷积神经网络的反无人机系统模型。（2）介绍了AlexNet卷积神经网络基本结构,通过实验数据证明了AlexNet神经网络对识别小分类问题存在过拟合现象,进而提出了动态神经元失活率模型和1×1卷积模型来改进神经网络,同时对图像数据进行标准化处理。实验结果表明改进后的方法缓解了过拟合现象,具有参数量小、收敛速度快的优点,并将无人机识别准确率提高到了87.75%。（3）针对识别算法性能无法满足无人机实时跟踪的问题。本论文提出了边界提取和卷积神经网络结合的无人机识别算法,在传统边缘检测方法的基础上提出二维高斯滤波、基于类间方差的双阈值选取等改进策略,提高了图像边界提取效果。改进的识别算法得到了86.33%的识别准确率并且将每张图像的识别时间减少到了0.17秒左右,性能满足无人机反制系统要求。（4）针对双轴云台跟踪系统稳定性差的问题。首先对双轴云台系统进行数学建模,得到系统传递函数;其次提出加速度、权重修正策略对粒子群算法进行改进,提高了算法收敛速度和精度;然后利用自适应积分法和改进粒子群PID参数整定法对控制算法进行改进,通过仿真证明该方法有效减小了系统超调量和调节时间。（5）搭建了一套民用无人机识别反制系统。系统包括GUI用户界面、用户权限管理系统和神经网络模型更新等功能。通过实验和现场环境测试,该系统可正确识别并跟踪反制民用无人机,初步达到了设计需求。