无人机（Unmanned Aerial Vehicle，UAV）态势感知是无人机系统实现自主性的基础，而全面准确的态势要素提取是实现无人机态势感知的关键，其中目标要素的提取又是关键。随着计算机视觉技术的发展，把计算机视觉技术应用到无人机态势要素提取过程中，形成基于视觉的态势要素提取技术，成为新的研究热点。本文以小型无人机为研究对象，选用可见光摄像机作为传感器，采用显著性检测和物体性检测算法完成目标要素的提取。主要工作及创新点如下：　　（1）设计了一种多类大小显著物体的提取算法Renyi-SSS。现有基于频域分析的视觉显著性检测算法普遍存在只能检测单类大小的显著区域，而无人机获得的图像中往往包含多类不同大小的物体，论文利用Renyi熵计算图像的各向异性从而实现对图像中的不同大小显著区域提取。在标准数据库上的测试获得比其它同类算法较好的性能。　　（2）建立了一种基于频域分析的通道融合显著性检测算法CSIG。由于目前的频域显著性算法只能独立处理单通道图像，针对彩色图像的三个通道需要分别进行检测。论文通过计算通道之间的相关性，并根据相关性值确定融合的规则，融合生成最终显著性图。实验结果表明，算法能够提高检测的准确度并避免检测错误的显著区域，达到提高显著性检测性能的目的。　　（3）提出了显著性检测与物体性检测结合的多目标检测算法SSS-Bing。显著性信息可以用来提高物体性检测算法的检测率，但是目前的结合方式是直接把显著区域的分割块作为候选物体窗口，这类算法的实时性和准确度达不到无人机目标感知的需求。论文通过将显著性信息直接作用于物体性检测的过程，在保持显著区域物体特征的同时对非显著区域的物体特征进行抑制，更加有效的利用显著性信息。实验结果表明算法大大提高了检测的准确度和实时性。　　（4）完成了典型任务条件下算法的实验验证。利用实验室外场获得的实验数据对本文提出的检测算法开展实验验证。算法对于快速运动目标的检测达到了检测的精度和实时性，并且提高了对慢动或静止目标的检测率，充分表明了算法的实用性强，符合无人机感知需求。