无人机给社会带来的困扰引发了反无人机技术的兴起。作为反无人机系统中的重要组成部分,光电模块通过计算机视觉对可疑目标进行检测识别和跟踪。由于无人机在图像中成像像素少,对比度低,并且无法被提取丰富的特征,因此对无人机等弱小目标的检测和鲁棒跟踪一直是一个比较困难的问题。本文针对反无人机场景中的目标检测识别和跟踪做了大量工作。主要研究工作如下:首先,针对当前运动目标检测算法对弱小目标检测率低,易受噪声干扰的问题,本文提出了基于时空连续性的目标检测算法。该算法首先对相邻图像进行帧差处理并二值化,将最近10帧二值化图像放入FIFO(First In First Out)通道,并由首帧二值化图像确定候选目标,随后以候选目标为中心设置窗口,计算通道内所有候选目标的窗口像素叠加值,超过一定阈值则认为窗口内存在运动目标。然后对相邻二值化图像窗口区域进行逻辑与运算,以去除窗口内的噪声。为了准确识别可疑目标是否是无人机,本文构建了包含鸟、风筝、无人机等目标的数据集用于目标识别的神经网络训练,采用YOLO(You Only Look Once)目标检测算法对可疑目标进行识别并取得很好的效果。然后,本文构建了反无人机跟踪算法测试平台,对10余种主流实时跟踪算法进行定性和定量分析,最终选用STC(Spatio-Temporal Context)算法作为反无人机系统跟踪算法。针对STC算法在尺度适应、模型更新机制等存在的问题提出了改进的STC算法,在原STC算法基础上增加尺度滤波器用于目标尺度估计,并通过置信图判断目标是否被遮挡或丢失,当目标被遮挡或丢失时停止模型更新以免引入错误信息。相比原STC算法,改进后的算法在跟踪准确度上有所提升。最后,本文将提出的运动目标检测与跟踪算法相结合,搭建了一套反无人机系统光电模块,设计的光电模块能够接收雷达或电磁模块探测到的可疑目标位置坐标并转动至可疑目标出现的方位,随后进行运动目标检测和识别,并通过云台转动进行自动跟随。光电模块使用双摄像头同时获取远近视野分别用于目标检测和识别。同时,应用CPU+GPU双处理器,提高了目标识别算法的实时性。