无人机行业快速发展的同时,也给人们的安全和隐私带来挑战,迫切需要对无人机进行监管,而无人机检测是实施监管的关键。基于传统方法检测无人机具有成本高、实现复杂等不适合大规模推广的特点。因此,本文重点研究基于深度学习实现无人机的高效检测。针对无人机检测数据集缺失的问题,构造了无人机检测数据集。首先,从无人机运动视频获得高质量的无人机图像;其次,对每一张图像都进行位置和类别标注,其中,位置采用无人机的包围矩形框的左上和右下的像素坐标表示;最后,参照标准的目标检测数据集进行构造。针对当前通用目标检测与无人机检测之间存在的性能差距问题,对当前目标检测的实现步骤与发展过程进行研究分析。首先,对传统的目标检测方法进行阐述,获得其存在的问题;其次,对基于深度学习的目标检测算法的实现过程进行系统分析,寻找实现无人机检测的基础方法;最后,对工业上应用广泛的一步检测算法与两步检测算法进行重点研究,为无人机检测速度与精度的提升提供理论依据。针对提升无人机检测精度的问题,充分利用了两步检测算法的精度优势结合特征金字塔的提取小目标无人机特征的能力,提出了基于改进的Faster RCNN的无人机检测算法,实现了更高的检测精度。首先,将特征金字塔与基础特征提取器进行设计融合作为RPN网络的输入,使其获得的无人机候选区域具有更丰富的无人机语义信息;其次,将ROI Align应用到候选目标对齐,解决了Ro I Pooling导致的目标位置偏移问题;最后,在自建无人机数据集和PASCAL VOC数据集都获得了较高的精度,证明了算法改进的有效性。针对无人机检测精度与检测速度不匹配的问题,充分利用一阶段目标检测算法的检测速度优势结合更精准描述误差的损失函数,提出了基于改进的YOLOv3的无人机检测算法,在获得较高检测精度的同时保证了实时检测。首先,针对无人机位置描述不准的问题,采用广义交并比来衡量预测目标和实际目标之间的差距,使得无人机的定位更精准;其次,针对小目标无人机在图像中占据较小位置,使得训练过程中出现了严重的正负样本不平衡问题,采用了焦点损失来抑制负样本产生的负优化问题;最后,实验表明,本文提出的算法在检测精度和检测速度都有明显的优势,又能实现无人机的实时检测,具有强大的推广应用价值。