小型无人机目标检测与跟踪的主要任务是对视频图像序列中的无人机目标进行自动检测,获取目标位置信息,并对其进行及时准确地跟踪。目标检测与目标跟踪在刑事侦查、视频监控、交通检测、安全监控、军事等领域有着广泛的应用。小型无人机目标自身运动灵活、形式多样,被广泛应用于空中侦察、地图探测、体育赛事等场景。但由于管控技术手段不足,无人机违法飞行事件时有发生,给民航安全飞行,部队正常空中训练带来严重威胁,因此针对无人机的自动化监控技术对空防安全具有重要意义。本文以小型无人机作为研究对象,在不同类型的复杂场景下,进行检测与跟踪算法的研究,主要研究内容如下:（1）实现目标检测与目标首帧自动响应。本文建立针对小型无人机目标的样本库,训练基于YOLOv4的目标检测模型,以及网络结构简化版的YOLOv4tiny模型,实现对新进入视场的无人机目标自动响应。（2）设计基于交叉验证的YOLOv4-STC融合算法。本文借助目标检测算法与目标跟踪算法各自的特性,将YOLOv4与STC相互结合进行优势互补,提出一种基于交叉验证的YOLOv4-STC融合算法。YOLOv4实现对新进入视场目标的自动响应,在后续的STC算法跟踪过程中,每间隔指定帧数调用YOLOv4更新目标检测信息,并结合STC识别结果完成交叉验证,实现对小型无人机目标的自动检测与跟踪。（3）在多种复杂场景下完成检测与跟踪任务,并对算法进行对比分析。以TELLO型号的小型无人机作为典型目标,探讨在目标受遮挡的场景、目标尺度变化的场景、目标从视野边缘进入的场景、与目标特征相似的场景中,本文算法的检测与跟踪效果。对比STC算法与KCF、CSK算法在跟踪任务中的性能,分析YOLOv4-STC与YOLOv4tiny-STC两种模型在检测跟踪任务中的数据表现。实验结果表明:YOLOv4平均识别精度可达82.28%,检测速率为2.61fps,在原先YOLOv4基础上改进所得的简化版YOLOv4tiny模型精度下降了约36.4%,但检测速率提升了约4.73倍;交叉验证采样间隔为1951ms时,YOLOv4-STC算法应用在典型场景中的平均交并比为0.52,准确率为93.86%,平均帧率为38.69fps;基于交叉验证的YOLOv4-STC融合算法相较于单独的YOLOv4检测模型对目标受遮挡或中途丢失再重现的情况下具有很好的鲁棒性,相较于单独的STC算法提升了尺度变化下的目标区域命中效果,对于从边缘部分进入视场范围的目标能够及时准确地响应,应用在与目标特征相似的场景中也有较好的鲁棒性。