无人机的民用普及性给生产生活方式带来巨大变化,同时导致一些隐私安全问题,为实现对黑飞无人机的智能化管控与反制,急需开展对无人机目标的智能分析与监视技术研究。与可见光相比,红外传感器对光照变化不敏感,可以完成无人机长时监控任务。同时,红外图像只包含灰度信息,可以保护一些私密场景中的敏感信息。然而,远距离感知无人机红外视频图像存在复杂背景干扰、目标像素有限、特征点少等问题,相似度判别困难,导致现有算法难以实现精确检测和智能连续跟踪。因此,本文重点开展了基于深度学习的红外无人机目标监视技术研究。主要研究内容如下。（1）针对复杂天空背景下无人机目标特征缺乏、信噪比低等导致算法检测精度低、虚警率高等问题,本文研究并实现了基于形状先验分割和多尺度特征聚合的红外弱小目标检测方法。对红外图像执行高斯滤波操作以抑制背景区域和增强弱小目标,并基于形状先验的分割模块筛选目标候选区域,减少全局参数量以提高算法效率;同时采用多尺度特征提取模块为弱小目标实现足够数量的特征通道,进而保证其可检测性,并采用多尺度特征聚合有效融合高分辨率下的特征信息以进行分类回归,提高了检测性能。实验结果表明,本文所提红外弱小目标检测算法有效提高了检测精度并降低了虚警率。（2）针对远距离感知对空背景下无人机目标尺度变换、轨迹交叉等导致序列帧跟踪中目标标识变换、轨迹丢失等问题,本文研究并实现了基于区域孪生网络的多目标跟踪算法。利用孪生网络学习相邻帧目标的匹配函数,基于目标特征构建隐式运动模板,并基于目标的上下文区域特征构建显式模板匹配策略,充分利用目标的空间及运动信息以估计帧间目标移动;通过逐通道的互相关操作生成细粒度像素级的响应图,显式学习相邻帧目标的相似性并进行特征图解码;通过空间匹配模块将跟踪器的输出与检测结果相关联,有效减少干扰项的错误匹配,实现了多目标智能跟踪。实验结果表明,本文所提多目标跟踪算法提高了跟踪准确性,改善了目标标识变换问题。（3）为了验证本文研究的红外弱小目标检测及多目标跟踪算法在无人机监视领域的有益效果,设计并搭建了对空无人机智能监视软件。将服务器上离线训练得到的算法模型封装迁移至硬件设备;并进行外场对空背景算法实测,基于嵌入式平台终端的软件进行功能测试和算法分析,通过软件可视化结果验证了本文方法的稳健性和有效性。