近年来,随着民用航空技术的逐渐推广以及中低空空域的不断开放,民用小型飞行器的种类和数量越来越多,这在便利人们生活的同时,也产生了很多公共安全方面的问题。针对这类民用小型飞行器的检测和管制成为了公共安全领域的一个研究热点。目前对这种低空、小型以及慢速的飞行器的检测主要是通过雷达来实现的。但是由于雷达的成本太高且部署较为复杂,因此本文采用成本相对较低且探测结果更加直观且易于理解的光电探测手段,应用深度学习的方法对其进行研究。首先,针对目前经典的图像目标检测算法在小目标检测中出现的问题和不足进行了研究和分析。由于小目标尺寸较小且所包含的信息较少,导致目前基于卷积神经网络的目标检测算法对小目标检测的性能不理想。为了解决这些问题,本文提出了一种将超分辨率重构任务引入目标检测任务的改进算法,通过提升小目标的分辨率以及细节信息来提取更多的小目标特征,实现目标检测算法对小目标检测和识别性能上的改善。本文改进的算法相较于经典算法正确率提升了2.9%～20.7%。其次,针对目标检测算法速度慢的问题,本文提出了一个针对于简单场景下对视频中“低小慢”目标进行检测和识别的视频目标检测算法。通过特征点匹配算法对视频相邻帧中的特征点实现匹配操作来代替目标检测网络中候选框的生成过程,从而实现对算法的加速。接着,针对普适的应用场景,本文在DFF和FGFA网络结构的基础上,提出了一种基于光流法的自适应选取关键帧的视频目标检测算法。通过引入光流法来避免在每一个视频帧上进行特征提取的过程,实现对算法的加速。提出的自适应选取关键帧结构用来区分关键帧、伪关键帧和普通帧。在关键帧上进行特征提取操作,伪关键帧用来对关键帧特征进行修正,而普通帧的特征通过光流网络从关键帧和伪关键帧的特征图上融合生成得到。本文提出的自适应选取关键帧方法主要是实现视频目标检测算法性能上的提升。本文改进的算法相较于静态图像目标检测算法,在正确率下降3.4%～5.1%的情况下,检测速度每秒提升了6.02～8.68张图像。最后,在开源“低小慢”目标检测数据集和自采验证数据集上对本文提出的改进算法进行了演示验证,并通过和其他原始算法进行对比实验,分析了本文提出算法的有效性。实验结果表明,本文提出的改进算法在“低小慢”目标检测性能上相较于其他的目标检测算法有所提升。