近年来随着航空运输业的快速发展以及人们消费能力的提升,越来越多的人选择乘坐飞机出行。航空旅客运输量井喷式的增长给航空运输业带来机遇的同时也带来了巨大的挑战。在这些挑战中关于乘机出行的安全保障方面尤为值得注意。机场跑道外来物简称FOD(Foreign Object Debris),指出现在机场跑道上有可能对飞行器造成损害的外来物体,它们的存在会给飞行器的起降带来巨大的安全隐患。针对这一问题,本文重点研究了机场跑道外来物探测系统的相关技术,初步实现了一套能够实时检测到外来物的入侵,并能对外来物进行分类以发起不同级别安全警报的系统。首先,本文研究了图像灰度化以及图像滤波降噪处理算法,其中着重分析了常用的图像降噪算法的优缺点并通过仿真实验进行验证,为后续外来物检测算法的预处理步骤提供了支持。接着,本文研究了常用的目标检测算法,分析总结了各个算法的优缺点。考虑到系统对于实时性的需求以及机场跑道室外环境的复杂性,本文选择了运算过程简单有效、抗环境干扰能力强的帧差法作为系统的目标检测算法,并从自适应二值化阈值以及基于Canny边缘检测算法的目标图像轮廓修复两个方面对传统的三帧差分法进行了改进。经过仿真实验验证,改进后的目标检测算法能够更加完整的提取出目标图像信息,可以有效的检测到外来物的入侵。然后,本文介绍了当下在图像分类识别领域应用较广的卷积神经网络模型的基本结构,并研究了迁移学习的理论,以在Image Net数据集上top-5错误率低至3.5%的高性能卷积神经网络模型Res Net为基础,对其进行微调,构建了外来物分类模型。本文使用通过爬虫技术得到的相关类型图像数据集对模型进行训练。训练得到的分类模型在验证集中分类的准确率达到了95%以上。最后,本文从实际出发,根据美国联邦航空局FAA发布的关于FOD检测系统咨询通告中提到的功能需求,以改进的外来物检测算法与外来物分类模型为基础,设计并实现包括了PC端系统总控、移动端警报处理、图像分析处理算法等模块的软件系统,并设计了测试用例,对系统进行详尽的测试,验证了系统的可靠性。