近年来,无人机的广泛应用使得国家空域变得拥挤,无人机和有人机的安全受到威胁,为了确保空域中飞行器的安全,如何将无人机集成到国家空域成为了目前迫切需要解决的问题。无人机的感知与规避技术是将无人机集成到国家空域的关键技术,该技术主要分为两个部分:感知和规避。感知是规避的前提,是整个感知与规避系统的重要部分,因此针对无人机自主感知入侵目标的研究具有重要的意义。本文主要基于机载图像对入侵目标自主检测与识别算法展开研究。首先,对无人机感知与规避系统中的常用的感知传感器进行分析,在综合考虑了SWAP(尺寸、重量、能耗)特征,负载,感知距离和自主性等性能后,设计了一套基于视觉传感器对入侵目标检测与识别技术方案。该技术方案主要分为两个模块:入侵目标检测模块和入侵目标识别模块。其次,研究了一种基于边缘检测的入侵目标检测算法。利用结构化森林的快速边缘检测算法获取机载图像的轮廓图;再利用Edge-Boxes算法将完整闭合的轮廓区域用方框标注,视为可能包含入侵目标的目标提议区域;再对目标提议区域进行打分,设计最优参数组去掉不好的目标提议区域得到最终的感兴趣区域。仿真实验表明基于边缘检测的入侵目标检测算法在多种不同天气条件下,均能实现对入侵目标的有效检测,并且在与基于频域残差的目标检测算法的比较实验表明基于Edge-Boxes的目标检测算法查全率更高,检测性能更优。再次,研究基于稀疏编码和空间金字塔框架的入侵目标识别算法。针对具有复杂背景的入侵目标特点利用目前常用的底层特征算法进行过完备字典训练;在此基础上,结合空间金字塔框架对底层特征进行稀疏编码来获取更加抽象的稀疏特征;再利用线性支持向量机(SVM)完成入侵目标候选区域的识别。仿真实验结果表明在多种不同天气情况下,基于SIFT特征的入侵目标识别算法更具有鲁棒性,能够更好地完成对入侵目标候选区域的有效识别。最后,为了验证本文提出的基于机载图像的入侵目标自主检测与识别算法的有效性和鲁棒性,搭建了一个实验平台,针对不同背景、不同光照条件和不同入侵目标数量三个方面进行了实验验证。实验结果表明:在不同的背景、光照条件和入侵目标数量的情况下,本文算法能有效地检测和识别入侵目标,具有良好的鲁棒性。