近年来,无人机的发展十分迅猛,低成本的各种小型无人机已经具有了强大的飞行、运输、遥感、拍摄等专业功能,给人们的生产生活带来了巨大的变化。然而无人机的“黑飞”事件也频繁发生,这给国家和人民带来了严重的安全隐患,因此对无人机进行有效地监管成为了一个研究热点。一个完整的无人机监管任务主要涉及检测、跟踪、识别三个部分,现有的技术方案都是通过多个设备的交互来实现全部功能,导致系统十分复杂且成本较高。为此,本文提出了一种单光学孔径的无人机检测跟踪识别系统,它将检测、跟踪、识别任务集成于一个单孔径光电设备中,实现了系统全部功能的一体化。更具体地,该系统采用一个具有两轴转台的可变焦球机硬件,它首先在相机低倍率状态下的广角视野中检测出天空中疑似无人机的运动小目标,其次利用云台姿态控制技术与相机层级变倍技术对检测到的目标进行实时地定位与放大,最后通过优化跟踪算法与识别算法对目标进行快速跟踪与准确分类,同时发出警报。本文所涉及的关键技术主要包括无人机运动小目标检测、动态相机下的目标跟踪、无人机目标识别三个部分,主要研究内容如下:针对无人机运动小目标检测,本文提出了一种基于提取与评估（Extraction and Evaluation）的双阶段运动小目标检测算法。它包括前景提取阶段（Extraction Stage）和轨迹评估阶段（Evaluation Stage）两部分:首先在前景信息提取阶段,提出了自适应动态阈值的高斯混合背景模型,它能够根据背景的复杂程度自适应地调整目标检测的灵敏度,抑制了大量的噪声;其次,在目标轨迹评估阶段中,利用提取的连续多帧前景信息对目标进行聚类与轨迹拟合,选择置信度最高的轨迹作为检测目标,进一步地抑制了离散点噪声。该方法将无人机运动小目标的检测分为了前景提取和轨迹评估两个阶段,对噪声进行了双重抑制,具有极强的抗干扰能力与鲁棒性,能够适用于复杂的城市低空场景中。针对动态相机下的目标跟踪,本文提出了一种PTZ协同控制的无人机跟踪算法。在整个跟踪过程中目标、相机、背景都处于动态变化中,这对跟踪算法准确度、实时性以及硬件响应灵敏度都有比较高的要求。一方面,本文提出了基于自适应匹配区域的核相关滤波跟踪算法,提高了系统的跟踪稳定性;另一方面,本文针对两轴转台与相机分别引入了实时姿态控制技术与自适应层级变倍算技术,保证了无人机始终以合适的尺度居于视野中央,使得跟踪过程快速、稳定、准确。针对无人机目标识别,本文采用基于轻量网络与迁移学习的无人机目标识别算法。针对无人机数据集样本量不足的问题,采用迁移学习的方法来确保有效地学习;针对实际系统对内存的要求,采用轻量化网络结构训练分类模型,以降低模型内存占用。通过实验表明,本方法能够充分地对小样本无人机目标进行有效地学习,识别准确率高,同时模型占用内存少,满足系统灵活部署的需求。