目标检测是计算机视觉领域中的一个重要研究课题，在智能监控、智慧城市、人机交互等领域有着广泛应用，并在以无人车、无人机、机器人为代表的无人平台感知系统中发挥着基础性作用。目标检测算法的输入为图像或视频帧，输出为所有感兴趣目标的类别置信度、位置和大小。然而，在夜晚、光照不足、恶劣天气等环境下，可见光图像的成像质量大幅降低，表征能力随之下降，这严重影响了目标检测算法的性能。因此，一个处于复杂环境中的、全天候运行的无人平台通常拥有基于多模态输入的感知能力，例如红外、深度图像等，以提供与可见光图像互补的信息。基于此，多模态图像目标检测受到了广泛的关注，开展相关研究具有重要的理论意义与应用价值。

通常来说，无人平台具有全天候、动态性、开放性三个典型特点。首先，全天候意味着无人平台需要在各种天气、光照条件下运行，因此会面对恶劣的天气、复杂的光线环境以及光照不足的夜晚场景。其次，动态性意味着不同于手持或固定摄像头，无人平台是一个在环境中运动的本体，一旦开始运行，一些不可避免的外力，诸如机械振动和温度变化等，会影响多模态系统的成像状况。最后，开放性是指随着时间推进，无人平台可能随时面临新增识别检测要求的情况。本文以面向无人平台的多模态图像目标检测为研究重点，基于上述三个特点，提炼出自适应融合、跨模态区域对齐、增量式小样本学习三个关键挑战，并针对性地开展了相关研究，提出了相应的解决方案。

本文的主要成果和贡献归纳如下：

1. 针对全天候场景下模态特征表达多样性的问题，提出了多模态自适应特征融合方法。首先，本文构建了一种基于双流输入的目标检测框架。针对单阶段目标检测器，提出一种基于模态交互注意力的多模态融合方法。不同于被动的融合方式，所提方法利用全局信息生成通道级的模态交互注意力向量，并在该注意力向量的指导下将待融合特征图进行自适应通道校正。针对多阶段目标检测器，提出一种基于模态置信度的多模态特征融合方法，在感兴趣区域级别上自适应地执行特征重加权，以选择更加可靠的特征、抑制可能产生混淆的特征。实验结果表明，所提出的方法在单阶段、多阶段检测框架中，均显著提升了多模态图像目标检测的性能。

2. 针对无人平台具有高度动态性，模态图像配准易受影响的问题，提出一种跨模态区域对齐方法。首先，介绍了跨模态差异问题，并分析其对目标检测性能的影响。为解决这一问题，提出一种区域特征对齐模块，用于从两种模态中校正和对齐特征图。然后，设计了一种感兴趣区域抖动训练策略，用于增广位置偏移模式，提高方法对不同偏移模式的鲁棒性。同时，提出一种多模态标注方式，对于同一个目标，在两种模态中标注边界框并建立它们之间的关系。进一步地，本文自主构建了基于无人机平台的可见光-红外图像目标检测数据集，该数据集中的图像具有丰富的采集场景和更多的目标类别。实验结果表明，在面对严重的跨模态差异问题时，本文提出的方法展现出较强的鲁棒性，并在多个评测数据集上取得了领先的检测性能。

3. 针对无人平台所处环境具有开放性，可能随时面临新增检测要求的情况，提出一种增量式小样本目标检测方法。首先，提出一种小样本权重生成方法，以构建基础类和新类之间的联系。进一步地，针对目标检测中的多尺度问题，将目标分配给其对应的特征金字塔层，以实现在特定尺度上的、更加合理的特征表示。此外，由于区域中心点往往会获得更好的边界框回归结果，所提方法基于中心度对目标区域中不同位置的特征进行聚合，以使代表性区域特征更加关注目标区域中心点。实验表明，本文提出的方法在保持旧类别检测能力的同时，显著提升了新类别的检测效果，在多个评测数据集的多种评测设置下取得了同期最好的性能。