近年来,随着房地产行业火热和国家房屋改造计划,违章建筑物大量增加,给工作人员带来很大挑战。小型无人机技术的兴起使违章建筑物检测效率得到提高,但是仅依赖专业人员操作无人机识别违章建筑物的方式具有局限性和低效性。建立一套完善的违章建筑物自动检测方法能有效提高工作效率和检测准确率。传统的数字图像处理技术对像素值差异检测精度较高,但不能对像素点进行语义分割和识别,而全卷积网络可实现像素点的语义分割和识别。因此本文提出自动阈值筛选算法将数字图像处理技术与全卷积网络技术相结合,建立一套违章建筑物自动检测方法。违章建筑物数据源采集是通过无人机固定时间和航线拍摄获取,运用SURF算法计算对比图片的共同特征点,根据多对特征点筛选符合精度要求的对应特征点,通过对应特征点求解图像重合矩阵使图像配准,运用提出的动态阈值算法来检测新旧图像变化区域,进一步提出轮廓覆盖原理对变化区域筛选并截图,将截图传入训练完成的全卷积网络模型进行识别,依据识别结果自动标记违章建筑物区域。运用Django框架将本文变化检测方法编码实现接口形式,方便模块调用与全卷积网络模型结合实现自动化。为验证本文方法的可行性,在实验过程中量化精度以评价实验效果。以正确率、虚检率、漏检率和平均错误率为评价指标。研究结果表明:本文违章建筑物自动检测方法相比SVM两分类方法正确率提高12.4%,相比基于形态学建筑物指数的变化检测方法正确率提高28.1%。应用本方法大幅提高违章建筑物检测正确率,因此具有重要的应用价值。