无人航空系统（UAV）凭借其在各类应用中的多功能性，已深度融入日常生活，并成为新兴的研究热点。然而，其声誉的快速攀升也引发了可能影响国土安全的严重隐患。防务界已开始探索基于大视场传感器的探测方法，以支持包括飞行威胁目标探测与定位在内的多种民事防护应用。反无人航空系统（C-UAS）的探测挑战，可通过传感器融合技术予以应对，从而提升飞行威胁识别的置信度。对环境进行实时监测要求极为严苛，亟需精准方法以及时发现有害状况。基于深度学习（DL）的技术能够有效应对通用目标检测及特定无人航空系统识别的相关挑战。本文提出一种新型多模态深度学习方法论，通过融合单一模态的无人航空系统探测数据，构建综合识别方案。具体而言，本研究旨在基于融合方法，在乡村与城市两类典型作战环境下，对潜在无人航空系统目标进行识别与分类。研究设计了专用架构，基于深度神经网络（DNNs）框架开发，并利用真实飞行场景数据进行了训练与验证。所提方法在不同背景环境下均取得了显著的检测精度，展现出在重大防务应用中部署的潜力。

本文后续结构安排如下：第2节综述近期关于无人航空系统探测系统深度学习感知方法的研究进展；第3节详细阐述无人航空系统飞行环境，并探讨可用于执行探测任务的感知模态；第4节在此基础上，提出针对无人航空系统探测任务的深度学习分类实施方案；第5节介绍实验流程、相应评估方法及结果；最后，第6节对全文工作进行总结。