无人机的快速普及引发了严重的安全关切，因为这些设备可被用于监视、走私或敌对攻击。因此，开发有效且可负担的检测系统成为一项关键需求。本文综述了近期基于声学的无人机检测研究，强调其作为雷达和光学系统的一种低成本、便携式、被动式替代方案的潜力。本综述综合了文献中的各种方法，包括通过麦克风阵列进行数据采集、梅尔频率倒谱系数（MFCCs）及相关频谱特征等特征提取技术，以及从传统支持向量机到先进神经网络等分类方法。比较分析表明，支持向量机在小数据集和低计算需求下可实现较高准确率，而卷积神经网络在处理大规模、有噪声的数据集方面表现优异，但需要更多计算资源。主要发现还显示，与单麦克风系统相比，结合波束成形技术的麦克风阵列配置能显著提升检测距离和噪声抑制能力。综述得出结论，尽管声学技术展现出巨大前景，但在可扩展性、数据集的泛化能力及计算效率方面仍面临挑战。解决这些局限性对于推动声学无人机检测技术发展成为可靠的实际安全应用至关重要。

根据欧盟委员会的定义，无人机是指可远程控制或自主编程的无人驾驶飞行器[1]。其所占用的空域被称为"U-space"，该空域与已注册的无人机交互关键飞行信息，包括时间、目的地和飞行指令。然而，非法无人机活动日益成为令人担忧的问题，其可能通过恶意攻击、未经授权的监视和侦察危及民用和军事活动。全球范围内，许多犯罪分子正利用无人机进行敌对行为、毒品贩运和网络渗透[2]。众多全球案例证实了这一问题。英国监狱总督察已敦促立即采取措施，应对定期向关押着该国一些最危险人物（包括恐怖分子和有组织犯罪头目）的设施运送毒品和武器的无人机[3]。自2015年以来，沙特阿拉伯王国已遭遇851起恐怖主义无人机袭击，导致50多名平民死亡[4]。无人机的危险性因其广泛使用和成本降低而增加：美国注册无人机数量已超过170万架[5]。此外，由于其体积小、无热信号特征及无人驾驶的特性，其技术的快速发展使其变得隐蔽且难以探测。

这强调了军方和执法机构开发高精度无人机检测系统的必要性。然而，本研究论文的主要目标是探索具有成本效益的无人机检测方法，同时追求高准确率，并就此类方法的现状、未来应用及建议提供清晰相关的理解，以及对作者方法与其他论文（从方法论到结果）进行批判性评估。无人机检测方法众多，其用例可取决于成本、优势和劣势。表I列举了各类无人机检测方法及其优缺点和成本。

因此，声学无人机检测显然符合作为一种低成本、便携且准确方法的标准。尽管其他方法在更高制造等级下开发时可能更准确，但由于成本极高，普通民众更难获取此类检测方法，这也解释了为何声学无人机检测是本文的主要关注点。

本综述论文将对以往关于声学无人机检测的研究（从方法论到结果）进行批判性评估和比较。此外，本文还将考虑用于预处理和分类数据以及训练模型以将检测到的声音标记为"无人机"或"非无人机"的各种机器学习算法。最后，无人机防御反制措施是无人机检测之后的另一个主要步骤，因此将视为超出本文讨论范围，因为无人机检测是本文的主要焦点。