近年来,随着无人机产业的飞速发展,无人机的使用也开始大规模普及,同时,无人机带来的隐患也日益增加。因此,使用基于视觉的方法对无人机的探测作为反制其问题的前提与关键,受到了广泛的关注。由于待探测无人机往往在低空场景下以小目标的特征呈现,如何将无人机与常见的低空小目标（如低空飞鸟、风筝、气球等）区分就成为了这项技术的重点。因此,针对低空小目标的检测技术研究具有重要的理论和应用价值。本文以低空小目标为检测对象,主要内容包括:（1）概述了卷积神经网络、循环神经网络和基于卷积神经网络的目标检测算法,并着重对比分析了SSD算法及基于SSD的两种主流改进算法的优劣。（2）针对SSD模型在检测目标低空小目标物体时精度较低、鲁棒性不够的问题,提出了一种基于特征融合与注意力机制的目标检测模型。模型以SSD算法为基础,将模型中语义特征丰富的高层特征图反卷积后与拥有较高分辨率的浅层特征图进行特征融合,加强浅层特征图的特征信息,提高了模型对小目标的特征表述能力。同时,引入注意力机制中的SE模块将待检测特征图各通道的权重重新分配,进一步加强了模型的检测能力。在自制的低空小目标图像数据集上进行训练测试,实验结果表明,该方法在应对低空环境的小目标检测时,有效的提升了检测精度。（3）针对视频数据的实时低空小目标检测任务,提出了一种基于ConvLSTM的目标检测模型,使用ConvLSTM获取视频的时间序列信息,以增强小目标的检测效果。同时,使用了深度可分离卷积与宽度乘法器对模型进行轻量化,来满足视频检测的实时性要求。最后对轻量化模型的一些细节,如NMS和损失函数进行了优化,提高了模型的整体性能。模型在自制的低空小目标视频数据集上进行了训练和测试。结果表明,该方法能够在保证实时检测性能的同时,提高对低空小目标的检测精度。（4）基于光电转台搭建了实物验证环境,将提出的视频目标检测算法移植到NVIDIA Jetson TX2深度学习处理板上,并将视频数据传输到嵌入式处理板上进行实时检测,实现了在嵌入式处理板上对光电视频数据进行实时检测,并编写了远程操控软件。在室外环境下进行了对无人机目标进行检测的实验,实验结果表明了本文方法的有效性。