“黑飞”无人机一旦带有炸弹等物品，会对人们带来威胁。对在公园、游乐场、学校等复杂背景下“黑飞”的无人机进行目标检测是十分必要的。前沿算法YOLOv7-tiny属于轻量级网络，具有更小的网络结构和参数，更适合检测小目标，但在识别小目标无人机时出现特征提取能力弱、回归损失大、检测精度低的问题；针对此问题，提出了一种基于YOLOv7-tiny改进的无人机图像目标检测算法YOLOv7-drone。首先，建立无人机图像数据集；其次，设计一种新的注意力机制模块SMSE嵌入到特征提取网络中，增强对复杂背景下无人机目标的关注度；然后，在主干网络中融入RFB结构，扩大特征层的感受野，丰富特征信息以增强特征提取的鲁棒性；然后，改进网络中的特征融合机制，通过新增小目标检测层，增加对小尺度目标的检测精度；然后，改变损失函数提高模型的收敛速度，减少损失以增强模型的鲁棒性；最后，引入可变形卷积(Deformable convolution, DCN)，更好的根据目标本身形状进行特征提取，提升了检测精度。在PASCAL VOC公共数据集上进行对比实验，结果表明改进后的算法YOLO7-drone相比于YOLOv7-tiny，平均精度(map@0.5)提升了6%；在自制无人机数据集上进行实验，结果表明YOLOv7-drone与原算法相比，平均精度(map@0.5)提高了6.1%，并且检测速度为72帧/s；与YOLOv5l、YOLOv7目标检测算法进行对比实验，结果表明改进后的算法在平均精度(map@0.5)上分别高于对比算法4%、3.1%，验证了文中算法的可行性。

反无人机系统是识别和打击“黑飞”无人机的有效手段，图像识别无人机是反无人机系统的关键之一。针对采集的无人机样本属于小样本、提取特征不够多，识别准确率不够高的问题，提出了一种基于迁移学习、密集卷积网络和坐标注意力机制融合的反无人机系统图像识别方法。首先，运用自制设备采集了多种无人机在不同背景下的图片，建立数据样本；其次，设计针对无人机小样本识别的基于迁移学习、坐标注意力机制和密集卷积网络融合的网络TL-CA4-DenseNet-121、基于通道注意力机制融合的网络TL-SE4-DenseNet-121等网络，运用设计的网络对小样本进行识别，并进行对比，然后分别进行了基于不同位置和不同个数的坐标注意力模块和通道注意力模块的网络识别实验；最后，将识别效果最优的网络与经典卷积神经网络模型进行对比实验。实验结果表明，提出的TL-CA4-DenseNet-121网络识别效果优于其他网络，识别的平均准确率为97.93%，F1-Score为0.9826，网络训练时间为6832 s。结果表明了该网络在识别小样本无人机方面的优越性和可行性。

针对无人机的无证飞行和随意飞行严重影响和威胁公共安全的问题，提出了反无人机系统。识别无人机是反无人机系统实现的关键之一，为此提出了一种基于卷积神经网络的图像识别无人机方法。运用自制光学系统采集设备采集了不同型号的无人机图片以及鸟类图片，设计了针对无人机小样本识别的卷积神经网络和支持向量机。运用设计的卷积神经网络分别对MNIST数据集、无人机图片以及鸟的图片进行了识别，同时也运用支持向量机识别无人机和鸟的图片，进行了对比实验。实验结果表明，设计的卷积神经网络在MNIST数据集上识别准确率为91.3%，识别无人机准确率为95.9%，支持向量机识别准确率为88.4%。对比实验表明，提出的方法可以识别无人机和鸟以及不同类型的无人机并且识别结果优于支持向量机，可用于反无人机系统识别无人机，给同类研究提供了借鉴。