目标检测是对输入图像进行相应处理后得出图像中待测目标的位置和类别的一种任务。近年来随着无人机市场和技术的发展,对无人机目标的检测和打击成为了安全领域的重要任务。而红外成像相对于可见光成像有受天气影响小等优势,因此红外图像的目标检测是目标检测中的一个重要方向,针对检测红外图像中的无人机目标的问题,本文研究提出了一种基于深度学习的目标检测算法。本文研究分析了红外图像无人机检测任务中的几个难点,如缺少公开数据集、图像信噪比低、背景复杂、已有算法定位不准、嵌入式运行效率低等,提出了具有针对性的解决方案。首先本文选择了目标检测任务中表现较好的深度学习算法YOLOv5并且和其他常用算法进行了对比,实验结果表明YOLOv5算法在红外无人机检测任务中性能优于其他已有算法。针对红外图像开源数据集较少的问题,本文自行制作了红外无人机目标数据集。针对红外图像目标边缘模糊、分辨率低、信息量小等特点,本文设计了一种通道填充的数据增强算法,提升了算法的性能。针对无人机检测任务中背景复杂的问题,本文设计了一种图像拼接的数据增强算法,提升了算法对复杂背景的辨别能力,从而提升了算法在红外无人机数据集上的检测精度。针对小目标较多造成的算法定位不准的问题,本文改进了YOLOv5算法的目标框定位损失函数,提升了算法在红外无人机数据集上的检测精度。针对实际检测任务中的实时处理需求,本文设计了一种轻量化算法并且在嵌入式设备上进行了验证,结果表明本文提出的轻量化红外无人机目标检测算法能在嵌入式设备上基本上达到实时处理的要求。综上,本文针对红外图像的无人机目标检测问题,研究提出了一种基于深度学习的红外无人机目标检测算法,在红外无人机数据集上相对已有算法能取得更高的检测精度,该算法的m AP可以达到0.937,该算法的轻量化版本在嵌入式设备上验证结果表示,算法运行速度达到每秒28帧。