无人机（Unmanned Aerial Vehicle,UAV）在军事目标侦测、农业、森林防火等诸多领域得到了广泛应用,同时也带来了一系列安全问题。未经许可的无人机入侵事件反复发生,对国家安全和人民安全造成了巨大隐患。目前基于雷达、视觉、声学和射频的无人机入侵检测机制,易受障碍物、光线、噪声和设备等因素干扰,而基于Wi-Fi数据流量的无人机入侵检测方法受这些因素影响较小,因此本文利用Wi-Fi数据流量识别方法,来实现无人机的快速检测。鉴于目前利用Wi-Fi数据流量的无人机入侵检测模型在检测精度、减少样本量、模型可解释性等方面还存在不足,本文提出了新的检测算法来研究无人机入侵。本文深入研究了利用Wi-Fi数据流量进行无人机入侵检测的方法,论文的主要研究内容包括:（1）提出了一种基于置信规则库（Belief Rule Base,BRB）的无人机入侵检测方法,解决了目前利用Wi-Fi数据流量检测无人机入侵时检测算法中存在检测精度不足、模型不可解释等问题。BRB能够有效利用各种类型信息,建立模型输入和输出之间的任意非线性关系,从而实现对任何非线性模型进行建模和仿真,并对模型参数进行优化,即实现可解释机器学习。这里BRB的可解释性是源于方法中置信规则的透明性和扩展的贝叶斯概率论推理的可解释。实验结果表明,获得合适的参数并进行充分的训练后,模型的准确率和精确率都较高。（2）为进一步提高以上基于BRB的无人机入侵检测方法的准确率,对Wi-Fi流量数据进行特征提取以产生较多指标。当使用普通BRB构建模型时,指标过多会导致BRB规则组合爆炸,影响模型检测的性能。为解决模型的组合爆炸等问题,本文提出使用证据推理（Evidential Reasoning,ER）算法先进行多属性融合,再将融合结果输入到BRB中,得出最佳检测结果,为了降低初始参数的不确定性对模型检测精度的影响,将带有投影操作的协方差矩阵自适应进化策略（the Projection Covariance Matrix Adaption Evolution Strategy,P-CMA-ES）优化算法引入到模型中,进一步提出了一种基于EBRB的无人机入侵检测方法。实验结果表明,在对Wi-Fi数据流量进行特征提取的基础上,结合了ER多属性融合算法的BRB算法进一步提高了无人机入侵检测的准确率且能满足模型检测的准确度需求。（3）基于所提出的EBRB模型,设计并实现了利用Wi-Fi流量特征的无人机入侵检测原型系统。该系统包括系统设置、数据交换、参数设置、系统测试等功能模块。本文给出了系统设计、实现和测试过程,描述了各模块的作用和联系。