航标灯是常用的助航标志,通过发出不同颜色和频率的灯光,能起到地形警示、风情预告和交通指挥等作用。现阶段我国对航标灯的检测主要由人工进行,检测方式,不仅工作量大、检测要求严格,而且单次检测耗时十分漫长。因此,研究一款可以实现对航标灯光学信息进行实时检测的系统,具有十分重要的意义。本文主要研究了航标灯检测过程中的关键技术,内容如下:（1）本文搭建了便携式航标灯检测系统,并为系统构建了集成化的相机云台,微型化的计算平台以及内置化的供电模块等。同时,针对户外检测中航标灯的成像情况,设计了光学成像结构,以实现对环境光的过滤和航标灯自身灯光的消减,达成对航标灯灯质的准确检测。（2）本文利用深度学习技术,实现对图像中航标灯的精准定位。本文研究了航标灯的识别算法与跟踪算法,并将二者进行有机结合,提出了DT-Net航标灯识别跟踪网络,并对其进行了轻量化改造,提出DT-Net-fire和DT-Net-block两种轻量化网络结构,实现了对航标灯位置的快速识别以及长效跟踪。（3）本文将深度学习技术和图像处理技术相结合,提出了航标灯灯光颜色检测算法,并在此基础上设计了航标灯闪烁周期、节奏检测算法。通过实验,研究航标灯光强和图像灰度值之间的关系。通过对航标灯光学检测技术的研究,本文的创新点及主要结论是:（1）现有跟踪算法在航标灯长时跟踪任务中的表现:成功率为0.52,准确率为0.34,而本文提出的DT-Net,其成功率为0.72,准确率为0.84。相比于现有跟踪算法,DT-Net跟踪成功率提升了38%,准确率提升了147%。DT-Net原生网络FPS为29.79,经过轻量化改造后的DT-Net-block和DT-Net-fire网络FPS分别为39.23和53.98,分别提升了31.7%和81.2%。（2）本文利用传统图像处理技术,实现了颜色检测算法,其在航标灯颜色检测任务中的表现:准确率为83%。而本文搭建的小型卷积网络的检测准确率为97%,提升了16.8%。同时本文利用光强实验结果,拟合出航标灯光强——图像灰度值换算公式。最终结果表明,本文搭建的便携式航标灯检测系统对灯质的检测结果符合航标灯检测要求,具有实际应用价值。