随着以“飞行高度低、雷达反射面积小和飞行速度慢（简称,低小慢）”为主要特征的无人机的广泛应用,无人机给我们生活带来极大便利的同时,也为犯罪分子用来从事违法活动提供了方便。非法无人机的使用对关键目标的防护、大型活动的安保带来极大的挑战,在电磁信号传播非常复杂的城市环境中尤其突出。为此,本文主要研究在城市复杂环境下,“低小慢”无人机探测方法、个体目标识别技术,完成理论分析,搭建验证系统并用实测数据进行验证等。本文在阅读大量文献的基础上,结合人工智能和多源数据融合方法,在“低小慢”无人机探测和目标个体识别方面做了有特色的工作,主要创新点有:（1）提出了一种适用于复杂城市环境下的“低小慢”无人机探测方法。该方法将并行分布式多源融合策略与改进的darknet＿yolov3的神经网络算法结合,通过对彩色图像、灰度图像进行细粒度检测处理,大大降低漏检概率和虚警概率,解决了在高楼背景下、近距离的无人机实时探测难题。在构建的平台中,利用与FPGA控制的彩色摄像头、红外摄像头实时采集图像,上位机对采集的图像进行实时目标检测与处理,结果表明,信号源在0.5公里范围内的探测准确率达到90%。（2）提出了一种基于电磁指纹的“低小慢”无人机个体识别方法。该方法的核心思想是根据接收的电磁信号首先进行目标的指纹信息提取,然后再进行分类与识别。具体而言,首先利用能量检测实现有效信号检测;然后用STFT（短时傅里叶变换）、Hilbert-Huang变换实现对无人机电磁目标指纹信息的准确提取;最后设计卷积神经网络算法,使用电磁目标指纹信息进行目标分类与识别。实测数据验证结果表明,目标个体识别准确率可达90%,在有未知辐射源的情况下,利用网络参数迁移学习,个体识别率也可达到85%。（3）设计并构建了无人机探测与个体识别验证平台并进行了外场实验验证。该平台包括硬件和软件两个部分,硬件部分包含通信信号采集模块和图像采集模块,软件部分包含探测与识别实现流程和算法的软件实现。外场的测试结果表明该系统可实现城市环境下多架“低小慢”无人机实时探测,非合作情况下无人机身份信息准确识别。综上,本文获得的这些方法可以有效地解决复杂城市环境下无人机探测与个体识别难题。