近年来,通用航空事业不断发展壮大,无人机进入了人们生活的各个领域,为人们带来了极大的便利,然而在无人机带给人们便利的同时,也出现了越来越多的无人机违规飞行事件如利用无人机进行恐怖袭击等,给国家和社会带来了经济损失,并且产生了较大的负面影响,无人机的违规飞行会极大地影响着国家经济的发展,威胁着国家的安全。为了保障机场的安全运行,机场设立了净空区,规定净空区内不得飞行无人机,为确保机场净空区的净空要求,需要对无人机进行检测,但是由于无人机大小不一、种类各异,很难找到一种通用的无人机检测技术,为了满足实际需要,本文设计了一种机场净空区基于YOLO的无人机识别算法并开发了一套无人机识别系统,提高了机场检测无人机的准确率,论文的主要内容如下:首先,论文介绍了数据集的构建和数据预处理的方式,主要介绍了数据标注的方法和原则,然后针对数据集图片数量不足的问题,介绍了数据增强的方法,以Mosaic法为例介绍了数据增强的具体步骤和功能。其次,论文研究了YOLO系列中的YOLOv3算法,首先介绍了YOLOv3算法网络结构,然后分别从特征提取、特征融合和分类预测部分介绍了网络的具体内容,针对YOLOv3网络实时性较差、准确率低等问题,论文进而研究了YOLOv4模型,首先介绍了YOLOv4的网络结构,依次介绍了空间金字塔池化结构、像素聚合网络结构和损失函数部分,YOLOv4网络提升了准确率,并且降低了模型大小,但是实时性方面没有明显提升,依然不能满足实际工程的需要,因而进行了进一步的研究。再次,论文研究了YOLOv5算法并从数据集方面进行了改进,首先介绍了YOLOv5算法网络结构,然后介绍了Focus和CSP结构,论文在此基础上又在数据集方面进行了一些创新,提出了数据质量评估算法和对多目标无人机数据集进行扩充,避免了非模型因素对网络的干扰以及提高了模型对多目标无人机的检测能力,实验结果表明,改进YOLOv5的准确率提升到88.28%;其权重文件仅为7.3MB;视频检测的每秒处理帧数可达每秒53帧,改进后的YOLOv5模型能较好地实现无人机的实时检测,在保证准确率的同时大幅度提升了推理速度。最后,开发了一套无人机识别系统,基于Flask框架实现了Web端对模型的调用,分析了系统的功能性需求和性能需求,从系统整体流程、视频流读取设计、模型配置设计和可视化界面设计方面对系统进行了介绍,最后给出了设计页面的展示结果。