机场跑道外来异物会给航空安全带来巨大威胁,不仅会带来大额的直接和间接的经济损失,也会危及乘客的生命安全。为了能自动进行机场跑道异物的检测,国内外研究人员都对机场跑道异物检测系统进行了大量的研究。国外已经出现了较为成熟的已被广泛采用的系统,但是对我国进行了技术封锁且直接引进价格昂贵,而国内在相关方面的研究还不完善,还没有出现可以大规模生产应用的检测系统。因此,继续深入研究机场跑道异物检测系统以实现设备的国产化具有很强的现实意义。计算机视觉技术的迅猛发展使得基于深度学习的目标检测算法成为解决这一问题的有力工具。本文主要对基于光学图像的机场跑道FOD检测系统的相关技术进行了研究,主要研究内容与工作如下:1、提出了一种基于关键点估计和语义分割的FOD检测算法。在实际环境中,由于机场跑道较宽且外来异物通常较小,机场跑道成像中会出现待检测目标较小的问题,为了提高对小目标的检测精度,本文首先构建了基于关键点估计实现的检测算法,以在更高的分辨率上进行目标检测来增强对小目标的识别能力,其中引入了对训练样本标签的适应性改进方法使模型更适用于FOD的目标检测;加入了基于空洞卷积的多尺度预测来提高各个大小的目标的检测精度。另外,由于FOD目标检测任务的特殊性,算法应该检测出跑道上所有异物,无论类别,这一点与传统的目标检测是不同的,为了使得算法可以检测到跑道上出现的所有外来异物,而不受训练集目标类别的限制,本文以基于关键点估计实现的检测算法为基础,提出利用语义分割分离背景指导对未知类别FOD目标的检测的方法,其中为了适应分割任务的需求,本文用反卷机层代替了Hourglass中用于上采样的双线性插值层;使用Facol loss来缓解分割分支的正负样本不均衡的问题;为了减小样本标记的工作量,本文利用弱监督的方法进行分割分支的学习。实验表明,相比于当前的代表性方法YOLOv3和Center Net,本文方法可以更有效的检测较小的FOD目标,且模型对于未知类别的FOD目标的检测能力更强。2、设计了一种轻量化FOD检测模型。考虑到实际应用中数据量较大而硬件设备可能不足的问题,需要尽可能的提升模型的检测速度,为了提高模型的训练和预测效率,降低算法的存储成本和计算成本,本文引入了轻量化模型的设计理念。本文分别利用Mobile Net、Squeeze Net的思想对本文第三章的模型进行轻量化改进,并且提出了同时利用深度可分离卷积和通道压缩方法对本文模型的改进方法,减小了计算量,提升了检测速度。实验表明改进后的网络训练和预测效率有了明显提升。