在计算机视觉的研究领域之中,目标检测与识别占据着非常关键的位置。近年来,伴随着人工智能技术的飞速发展,以及图像数据和视频数据的大规模涌现,目标检测在目标追踪、图像分析、无人驾驶等领域有了广泛应用。本文利用基于显著性和深度学习的两种主流目标检测算法对可见光图像中的多无人机目标进行了检测与识别。基于显著性的目标检测方法中的超复数频域变换模型利用目标的颜色特征构建四元数函数,在频率域对目标进行检测,该模型对于天空背景下的多无人机目标检测具有一定的适应性,对于小尺度目标检测和目标细节的保留具有出色表现。为了实现在复杂场景下对无人机目标进行检测,研究了基于深度学习方法的Faster R-CNN目标检测算法,通过对比实验选择检测效果更好的Res Net50作为模型的主干网络,融合特征金字塔网络构建新模型对多尺度目标进行有效检测,并利用特征增强模块和参数调整对模型进行改进,实验发现改进后的模型提升了对于多尺度无人机目标的检测能力。本文研究内容包括以下几个方面:1.研究了基于显著性的目标检测方法,对超复数频域变换模型进行了深入分析,但是该模型使用多尺度的高斯平滑模板使得目标的的边缘信息丢失,为了解决该问题,利用小波变换对幅度谱图像进行多尺度分解,选择最佳幅度谱与相位谱结合生成最佳显著图,并去除天云边界得到最终的显著图,改进后的模型不仅提高了模型的检测速度而且保留了无人机目标的边缘和细节特征,同时增强了模型对于小尺度无人机目标的检测能力。2.研究了Faster R-CNN目标检测算法框架,构建了各种场景下不同飞行姿态的无人机目标检测数据集并利用图像增强手段对数据集进行了扩充。为了选择最佳的主干网络构建Faster R-CNN检测模型,将三种主干网络（VGG16、Res Net50、Res Net101）分别选作Faster R-CNN模型主干网络进行模型训练,对训练好的模型进行测试发现以Res Net50为主干网络的Faster R-CNN模型具有最高的检测精度,选择Res Net50作为检测模型的主干网络。3.为了提高模型对于多尺度无人机目标的检测能力,研究了特征金字塔网络,并将其与Faster R-CNN模型进行融合,构建了多无人机目标检测的模型框架,利用数据集对新构建的网络模型进行训练,测试发现新模型对无人机的检测精度有了明显提升。为了进一步增强网络的特征提取能力,在区域建议网络上融合三种卷积对特征进行提取,同时根据无人机特点调整了锚框基础尺度和宽高比,构建了最终的无人机检测模型,实验发现改进后的模型对无人机的检测精度进一步提升,能够有效检测多尺度无人机目标。