随着经济的飞速发展,飞机出行成为了更多人的选择,航空运输量在运输领域所占的比重也逐渐升高。航空的安全性是需要重点关注的领域。由于飞机在起降过程中的速度非常快,跑道上的异物会对飞机的安全构成严重威胁,因而跑道的及时清理是非常必要的。传统的方式是人工巡检,随着技术的发展出现了基于雷达的检测技术和基于光学图像的检测技术。近年来基于深度学习的目标检测技术取得了长足的发展,针对机场跑道异物的检测问题,本文进行了基于深度学习的机场跑道异物实时检测算法的研究,主要工作内容如下:针对机场跑道异物检测算法的实用性,本文在目前单阶段目标检测算法研究的基础上进行了算法改进。借鉴通用目标检测的做法,设计了特征聚合模块提高特征图的信息量,在多层级的特征图上进行预测,提高了网络对以小目标居多的FOD（Foreign Object Debris）数据的检测效果;设计了混合检测头,提高了网络对多尺度目标检测的召回率;配合以适合的数据增强策略以及较为适合FOD数据集的损失函数,有效的提高了FOD检测网络的性能。在FOD数据集上进行了一系列的实验,显著的提高了单阶段FOD检测网络的性能。针对FOD检测模型的轻量化问题,设计了FOD检测网络的剪枝算法,对FOD检测模型的参数量进行压缩,降低了FOD模型对处理器的要求,使模型更加便于部署。通过卷积神经网络剪枝的方法,对FOD检测网络进行卷积通道的剪枝与卷积层的剪枝;并在卷积通道剪枝的基础上设计了多种剪枝策略,达到了较好的效果。在牺牲较少性能的情况下,压缩了百分之九十左右的参数量。综合考虑FOD检测模型的性能与轻量化两方面,在剪枝完成的模型基础上对模型进行进一步的优化,提高了模型的性能。在原有的网络结构基础上,引入了跨级局部网络模块,改善了原网络的基础组件,提高了网络的学习能力。设计了聚焦模块,降低了卷积神经网络初始输入的计算量。引入了空间金字塔池化模块,进一步提高网络对多尺度目标的检测性能。在网络的推理过程中对卷积神经网络的卷积层与批量归一化层进行了融合,提高了网络的推理速度。在最终的实验效果中,在保持高推理速度的前提下,仍然比未轻量化的网络提高了百分之三的性能。