无人机具有体积小、机动性强的特点,配备摄像头与实时图传系统的无人机给公民隐私、重点区域和重要活动造成了不可忽视的威胁。因无人机目标尺寸小,基于可见光图像的目标检测识别算法可利用的信息量有限,从而导致算法识别效果差。相比之下,基于无线电信号的识别算法既不需要考虑目标尺寸的大小,也能够在复杂的可见光背景下完成信号识别任务。因此本文针对无人机图像特征弱、检测识别算法性能差的问题,提出融合图像特征与无线电信号特征的异构数据融合检测识别算法。主要的研究内容概括如下:（1）本文在VOC数据集格式的基础上提出了一种包含图像和无线电信号数据的异构数据集格式VROC（Visual＆Radio Object Classes,VROC）,异构数据集中包含三种型号的无人机数据,每型无人机的可见光图像与其无线电信号数据一一对应。（2）对基于Faster R-CNN的图像目标检测识别算法进行改进。使用Res Net-18作为算法的特征提取网络,有效提高了算法的检测识别速度;然后将算法特征金字塔网络（Feature Pyramid Networks,FPN）的特征融合方式由相加融合改为相乘融合,凸显了目标与背景之间的差异性,提高了算法的检测性能;最后使用双线性插值的方式改进了算法的感兴趣区域池化（Region of Interest pooling,Ro I pooling）,降低了预测框量化对无人机小目标检测识别造成的影响。（3）在Faster R-CNN检测识别算法的基础上提出了两种异构数据融合检测识别算法,其中第一种基于频谱特征的异构数据融合检测识别算法以图像数据和无线电信号频谱的一维幅值数据作为输入,幅值信息经过全连接网络的线性变换后与图像特征进行融合;第二种基于深度特征的异构数据融合检测识别算法以图像数据和无线电信号频谱的幅值与对应的频率值为输入,使用Dense Net网络对频谱数据进行深度特征提取,然后与图像特征进行融合。两种异构数据融合检测识别算法与仅使用图像数据进行目标检测识别的Faster R-CNN算法相比,对低空无人机的检测识别速度和m AP均得到提升。通过研究,揭示了无线电数据与图像数据在进行目标识别任务中的互补性,实验验证了多源异构数据在无人机目标检测识别中的有效性。在构建的VROC数据集中,异构数据融合检测识别算法的m AP值达到85.4%,平均速度为35.7FPS,较图像目标检测识别算法分别提高了1.6%和13.8FPS。