机场跑道异物（Foreign Object Debris,FOD）的存在可能会导致飞机损伤并危及机组和乘客的生命安全,各类检测技术常与智能检测系统协同用于检测跑道上的FOD目标。基于深度学习的目标检测算法在通用数据集上达到了较高的检测精度。但是,具体到FOD目标检测,由于异物形态尺寸有其特殊性,主流深度学习目标检测方法在实际应用时会存在检测精度偏低和漏检率偏高等问题。此外,由于夜晚或其它特殊天气条件下的机场跑道场景数据较少,难以满足深度学习对样本数量的需求,也会导致检测效果不佳。因此,需要对远距离多个小目标情况和低照度场景下的FOD目标检测算法进行进一步的分析与研究。在FOD目标检测工作中,将卷积神经网络方法和生成对抗网络方法相结合。通过改进YOLOv3（You Only Look Once v3）算法实现对小目标FOD的有效检测,利用Cycle GAN（Cycle Consistent Generative Adversarial Networks）算法提升对低照度场景下FOD目标的检测效果。首先,通过采集实际机场道面、模拟机场道面、正常光照场景和低照度场景下的样本数据,构建FOD目标检测数据集。其次,完成基于卷积神经网络的FOD目标检测算法设计,并针对FOD多为小目标物体的特点,优化YOLOv3算法的网络结构、聚类方法和损失函数。最后,提出了基于生成对抗网络的FOD数据集扩充方法,通过Cycle GAN算法实现低照度环境下的FOD图像数据增广,利用扩充数据集完成FOD目标检测算法的训练,以解决特殊场景下FOD训练样本数量不足导致的检测精度偏低问题。实验结果表明,改进YOLOv3算法在正常光照场景下进行FOD检测的准确率达到95.3%,有效解决了原算法存在的漏检问题。利用Cycle GAN算法实现FOD数据集扩充后,训练得到的算法模型对低照度场景下FOD目标检测的平均精度由65.6%提高到83.4%,显著优于现有算法。在此基础上,设计开发移动式FOD检测实验平台,实现了从算法研究到实际应用的完整工作。