低空无人机反制关键技术发展研究

孙大卫 ,  李道春 ,  阚梓 ,  向锦武

中国工程科学 ›› : 1 -13.

PDF (3148KB)
中国工程科学 ›› : 1 -13. DOI: 10.15302/J-SSCAE-2026.03.025

低空无人机反制关键技术发展研究

作者信息 +

Development of Counter-UAS Technologies in Low-Altitude Airspace

Author information +
文章历史 +
PDF (3222K)

摘要

随着低空经济的快速发展和无人机技术的不断普及，低空安全问题日益突出。具备“低慢小”特征的无人机，若在敏感区域非法使用，将对公共安全、航空秩序乃至国家安全构成严重威胁。因此，发展高效、可靠的低空无人机反制技术，已成为保障低空经济健康有序发展的关键支撑。本文系统研究了低空无人机反制关键技术体系与发展现状。首先，梳理了以雷达、射频信号监测、光电识别和声学探测为代表的非协作式空域监视技术，分析了各类感知手段的原理、优势与局限性，并探讨了通过多传感器信息融合技术提升感知能力的研究现状。其次，从信息物理系统视角出发，综合评述了物理层（激光、微波、网捕、高速撞击）与信息层（通信干扰、导航诱骗、声波干扰）等反制手段的技术特点和应用挑战。研究表明，当前低空无人机反制技术在感知与处置层面尚存在多种挑战。为应对这些挑战，本文从技术发展角度提出建议：包括感知技术与场景适配、低空监视设备网络化布设试点、优化反制手段组合、深化反制机理研究、反制过程风险管控、多平台协同等方面。旨在通过对低空无人机反制关键技术的系统性梳理与分析，为相关技术的创新发展提供参考，助力构建安全、可靠、高效的低空安防体系，从而保障低空经济的持续健康发展。

Abstract

With the rapid development of the low-altitude economy and the increasing proliferation of unmanned aircraft system (UAS) technologies,low-altitude security issues have become increasingly prominent. UAS possessing low, slow, and small characteristics, if used illegally in sensitive areas, will pose a severe threat to public safety, aviation order, and even national security. Therefore, developing efficient and reliable low-altitude counter-UAS technologies has become a critical support for ensuring the healthy development of the low-altitude economy. This study reviews the development status of counter-UAS technologies. It first sorts out non-cooperative airspace surveillance technologies, including radar, radio frequency signal monitoring, optic identification, and acoustic detection, summarizing the principles, advantages, and limitations of various sensing methods. Moreover, it explores the current research status of enhancing sensing capabilities through multi-sensor information fusion. Subsequently, from the perspective of cyber-physical systems, the study evaluates the technical characteristics and application challenges of counter-UAS measures at both a physical layer (e.g., lasers, microwaves, net capture, drone collision) and a cyber layer (e.g., communication jamming, GNSS spoofing, acoustic interference). The study indicates that current low-altitude counter-UAS technologies still face challenges in terms of detection and response. To address these challenges, this study proposes recommendations from a technological development perspective, including the adaption of sensing technologies to specific scenarios, pilot deployment of networked low-altitude surveillance equipment, optimization of counter-UAS measure combinations, in-depth research on counter-UAS mechanisms, risk management during counter-UAS operations, and multi-platform collaboration. This study aims to provide a reference for the development of low-altitude counter-UAS technologies through a systematic review, thereby contributing to the establishment of a safe, reliable, and efficient low-altitude security system and ensuring the sustained development of the low-altitude economy.

Graphical abstract

关键词

无人机反制 / 无人机感知 / 低空经济 / 反无人机技术

Key words

unmanned aircraft system (UAS) containment / UAS sensing / low-altitude economy / counter-UAS technologies

引用本文

引用格式 ▾
孙大卫,李道春,阚梓,向锦武. 低空无人机反制关键技术发展研究[J]. 中国工程科学, , (): 1-13 DOI:10.15302/J-SSCAE-2026.03.025

登录浏览全文

4963

注册一个新账户 忘记密码

本刊网址：sscae.engineering.org.cn

一、 前言

低空经济指以各种航空器的低空飞行活动为牵引，辐射带动相关领域融合发展的战略性新兴产业，已成为我国发展新质生产力的典型代表[1-2]。根据行业预测，2035年低空经济规模有望达到3.5万亿元[3-4]。作为低空经济的重要组成部分，无人机凭借高效、灵活、低成本等特点，在地理测绘、农林植保、电力巡检、物流配送、应急救灾、安防监控等民用领域展现出广泛的应用潜力，更是推动低空经济发展的中坚力量。《2025年民航行业发展统计公报》[2]显示，截至2025年年底，已获得无人机运营合格证的单位有38 872家，全行业无人机拥有者注册用户237. 8万个，注册无人机共328. 7万架，全国低空飞行服务站为46个，覆盖23个省份。

低空经济的规模化发展伴随无人机技术的普及与低空空域开放程度的提升，使低空安全风险防控压力持续攀升。无人机特别是消费级微型无人机，具有易于获取、操作简便、隐蔽性强的特征。无人机对机场净空、核心安保区、重大活动现场、城市人口密集区等区域的突发入侵，会对空域运行安全、关键设施防护与现场人员安全构成威胁。近年来，国内外多次发生无人机干扰航班起降、闯入禁飞区、携带违禁物品等事件。此外，无人机技术的智能化和集群化发展趋势进一步增加了潜在风险，如自主飞行、集群协同等能力可能被用于非对称攻击或恐怖活动，使低空安防面临前所未有的挑战。

面对低空经济发展与低空安全风险攀升的内在矛盾，无人机反制技术已成为保障低空经济健康有序发展的关键支撑。低空无人机反制技术指以低空安全与安防为导向的低空无人机防御技术，技术体系核心包括低空无人机感知与反制两方面，涉及对非法入侵无人机的探测识别、定位跟踪、干扰诱骗、毁伤捕获等技术手段（见图1）。传统防空手段在面对低空无人机目标时存在明显的局限性，在探测识别准度以及处置效费比等方面难以满足低空无人机的反制需求，因此需要发展针对性强、响应快速、适应复杂城市环境的反制技术与系统。当前，国内外已涌现出对无人机反制技术的研发热潮，在对低空无人机的感知与软／硬杀伤拦截等方面取得了一定进展。然而，总体而言，无人机反制技术仍存在感知能力不足、处置手段不够、系统集成度不高、适用场景不多等问题，需要进一步突破。

为推动低空无人机反制技术的发展，本文立足于低空安全与安防需求，从技术现状与发展层面展开研究。本文系统梳理低空无人机探测识别与定位跟踪技术的发展现状，分析各类探测手段的优缺点，总结感知信息融合方法研究趋势与发展挑战；在信息物理系统视角下，综合探讨无人机反制中的干扰诱骗等信息层面手段，以及各类物理层面的毁伤捕获手段，分析反制手段的特点，总结研究趋势与发展挑战；最后提出针对性发展建议，涵盖技术转化、试点应用、发展方向等多个维度，旨在为低空无人机反制技术的创新发展提供支撑和参考，助力构建安全、可靠、高效的低空安防体系，保障低空经济持续健康发展。

二、 低空无人机探测识别与定位跟踪技术发展现状与挑战

空域监视是利用多种监视设备对飞行器在空域内飞行活动进行全面监视的技术，是保障飞行安全和提高运行效率的必要条件。空域监视技术在20世纪以雷达技术为核心应用于军事领域，而后在民航空管领域得到发展[5]，但并不能完全适应对“低慢小”目标的监视要求。现有低空监视手段主要分为协作式与非协作式两类[6]：协作式技术包括自动相关监视广播系统链路、广域多点定位、第四代／第五代移动通信、“北斗”短报文及远程识别等技术；非协作式技术则涵盖雷达、射频信号、光电／红外、声纹等手段。其中，非协作式低空空域监视是对空域的主动监视，不需要受监视目标的协作配合，因此作为当前无人机安全管控领域的关键一环，同时也是无人机反制系统中不可或缺的一部分，负责对“黑飞”目标的感知并为处置环节提供必要输入。为系统梳理低空无人机感知能力，本节从非协作式监视与多传感器融合两方面开展分析，旨在分析各类感知手段的优缺点，总结感知信息融合方法研究现状。

（一） 非协作式低空空域监视技术发展现状

雷达的探测距离较远，是目前应用广泛的低空无人机主动探测设备[7-14]。雷达探测技术利用目标对电磁波的反射原理进行探测，可在所有天气条件下全天候运行，通过对接收信号进行特征提取，如回波、多普勒特征或雷达截面积（RCS），能探测目标的距离、速度、方位和高度等信息。调频连续波和连续波雷达因具有连续脉冲，较适用于对无人机的检测与识别。调频连续波雷达一般包含发射机和接收天线，其中振荡器和控制信号发生器发射信号，反射信号被接收后，经过同正相交解调，被送入低通滤波器，随后送入模数转换器和数字信号处理单元。通过发射和接收信号的时间延迟与相位信息，可以确定目标的距离和速度。然而，微轻小型无人机大多采用碳纤维、复合材料，传统雷达难以检测。同时，微轻小型无人机飞行速度范围约为2~50 m/s，其对应的RCS也较小，产生的雷达回波微弱，难以与鸟类准确区分，且受多路径效应及气象杂波、地面杂波影响大。多项研究聚焦于主成分分析[15]、卷积神经网络[16-19]、长短期记忆[17]和支持向量机[20-21]等机器学习方法，从雷达信号中提取特征，如微多普勒谱图[16-17,19-21]和距离 ‒ 多普勒特征[15]，用于无人机探测与识别。目前，虽然雷达探测距离较远、可全天候工作，但存在微小型无人机易与鸟类混淆、低空复杂环境下虚警率高、设备成本相对较高等问题。

射频信号用于无人机的远程指挥和控制通信（大部分集中于2.4 GHz和5.8 GHz的工业、科学和医疗免许可频段），因此通过对射频信号进行实时感知、捕获、处理，并解析其时频域特征（包括信号指纹、频谱模式及通信协议等），可以实现对无人机的识别、跟踪、分类以及对飞手的定位溯源。射频探测技术具有成本优势，因其可采用商用设备（如软件定义无线电和宽带天线阵列），且不受光照和气象条件限制，适合全天候监测。在当前研究与实践中，无人机及飞手检测多采用射频指纹识别方法[22-24]，其侧重于分析来自无人机及飞手发射的射频信号的物理层特征，例如，通过提取信号的分形维度、平方积分双谱、轴向积分双谱等特征，经过主成分分析与邻域成分分析，结合机器学习算法[23-27]，实现对无人机的探测与分类。与之互补的网络指纹识别侧重于分析无人机与飞手之间的网络流量特征，如流量持续时间、数据包分布、行为模式等[28]。基于射频信号的定位主要依靠多传感器协同的几何定位方法以及参数估计方法，包括基于到达时间差（TDOA）[29-30]、到达角和到达方向[31-33]，以及对跳频扩频信号[34]的循环平稳分析。这些研究称可实现约2 km范围内的实时探测与定位，但需要部署分布式传感器网络以保证精度。基于射频信号的无人机及飞手检测技术虽然成本较低、不受天气影响，但目前存在若干局限性：有效性依赖于无人机的遥控通信状态，无法检测自主飞行或预设任务的无信号发射目标；城市环境中密集的同频段干扰源（如Wi-Fi和蓝牙设备）会显著降低信噪比，增加误报率；操控器的精确定位面临信号分离和多径效应等挑战。

光电传感技术是无人机检测与定位的一种重要手段，可通过检测并分析光学频谱中的辐射（包括可见光、不可见光），实现对无人机的检测与识别[35-38]。相关组件包括光学器件、激光器、探测器、摄像头、处理单元等。此类系统已被用于无人机的检测、测向和定位，可连续工作。基于光电传感器的无人机检测与定位技术主要依靠图像处理与机器学习技术[39]，例如，整合角点检测、卷积神经网络以及光流法来提取运动特征，实现对广域场景中的微小目标的定位与跟踪，同时可以利用分类算法实现对无人机目标的区分[40]。光电探测性能受到多种因素的影响，包括被检测目标的尺寸、运动状态、与相机的距离、光学镜头的规格及图像分辨率等[35-38]。此外，其性能在缺乏视线、摄像头角度不佳、镜头质量差，以及雾、暗、尘等恶劣天气条件下会显著下降。背景温度的变化也会带来实际挑战，虽然使用红外摄像头通过探测无人机部件的热特征可以在一定程度上缓解光照不足等方面的限制，但会增加成本。

声学探测技术在无人机检测、识别、定位方面具有应用潜力，该技术主要通过声学传感器（传声器以及多个传声器组成的阵列）捕获无人机旋翼和螺旋桨产生的声音，然后提取特征，例如使用短时傅里叶变换（STFT）和计算梅尔频率倒谱系数（MFCC）等，将提取的特征与声学特征数据库进行比较，利用传统和基于机器学习的方法进行无人机的检测和分类[41-45]；采用MFCC和线性预测倒谱系数特征提取技术从无人机声音中提取所需特征，进而使用支持向量机对这些声音进行识别[43]；以STFT的幅度谱作为二维特征输入，进而训练卷积神经网络实现对无人机的准确检测[42]等。声学探测的优势在于具备非视距探测能力，不依赖无人机的电磁信号发射，且对小型多旋翼无人机具有较高的检出率。同时声学技术也具有一定的无人机测向、定位能力，可以结合传声器阵列与TDOA算法[41]、广义互相关算法、相位变换加权指向响应功率算法等方法实现对无人机目标的测向与定位。虽然无人机声学特征显著，检出率高，但是声学探测方案也存在一定的局限性。声波在空气中衰减较快，探测半径通常限于数百米，同时多径效应等因素会影响探测与定位精度；声学探测、识别方案均以数据驱动，需要大量的声学特征数据，在低信噪比环境中误报率较高。

表1总结了上述四类主要的非协作式低空空域监视技术，除此之外，目前也有研究考虑其他方案，如使用光纤、静电探测、多基站雷达、外辐射源雷达、激光雷达等，但目前在技术成熟度或适用性方面均存在局限性。

（二） 低空感知信息融合技术发展现状

单一探测模态受其物理原理制约[46-47]，各自存在不足，为构建可靠的低空空域感知能力，多传感器信息融合技术被引入无人机反制技术中[48]。感知信息融合通过协同处理与综合诠释来自多个异构或同构传感器的数据，旨在生成更具一致性、准确性及决策价值的探测识别与定位跟踪结果，是提升无人机探测概率、降低虚警概率、实现更精准定位的关键技术。目前，面向低空无人机感知的多信息融合方案可大致分为多传感器数据融合与异构传感器数据融合两类，而多信息融合方法可根据特征提取与融合的先后顺序分为特征级融合、决策级融合、规则级融合三类。

同构传感器数据融合旨在通过部署多个同构传感器节点并构建协同感知网络，从物理维度上扩展单一传感器的性能边界，通过数据级或特征级融合算法，克服单点探测的局限性，实现探测范围、定位精度及可靠性的提升。例如，在使用声学探测无人机时，利用分布式部署的声学传感器阵列能够提升感知范围以及探测与定位精度[49]；在使用射频信号检测无人机时，可以使用多个全向天线阵列扩大无人机的检测范围，并提升定位精度[50]。

传统的单一传感器无法在多变的环境中实现预期性能，同时开发生产高性能的传感器成本较高，并且数量的增加并不能缓解单个传感器的局限性，故而需要组合不同类型的传感器以实现精度提升。多类型传感器数据融合指通过整合工作原理互补的不同传感器，在数据层、特征层或决策层进行融合，利用其各自的优势以弥补单一类型传感器的劣势，从而生成更可靠且具有更高置信度的探测定位结果。通过组合不同类型的传感器进行测试研究，发现声学和雷达的融合可以提供更精确的检测结果[51]。在射频信号检测的基础上整合视觉、声学传感器，可以提升近场探测定位精度[28]。通过在目标区域集成声学、光学传感器以及不同波段的雷达[52]，可以发挥每种传感器的优势，克服单一类型传感器的短板，降低了大规模部署高价值传感器的成本，但是需要不同专业的技术人员进行维护。

具体到信息融合方法，应依据数据抽象的不同层次采用相应的融合方法[53-54]，包括特征级融合[55]、决策级融合[56]与规则级融合[54]三个层级的融合方法（见表2）。特征级融合是层级最低的融合，其核心在于采用信号与图像处理领域的方法，直接对来自不同传感器的原始数据或初级特征（如雷达点云[57]、射频信号频谱[58]、图像像素块[59]）进行关联、配准并融合。例如，使用受限深度玻尔兹曼机进行跨模态特征学习[60]，将来自不同传感器（如音频和视觉）的数据映射到同一表示空间中，从而实现数据级融合。利用深度神经网络架构[61]，通过乘法方式融合多传感器数据，并在图像识别、物理过程分类等任务中验证；此类融合方法更多地利用了原始信息细节，理论上可获得最高的融合精度[54]，常用于目标的联合检测与精确定位。然而，其对通信带宽与计算资源的要求极高，且多模态信息融合实现难度较大。决策级融合位于信息处理流程的中层。各传感器首先自行从原始数据中提取出特征信息，再由融合中心对这些特征进行关联与整合。该层级需解决多源数据在时空上的同步与对齐，并将不同速率、不同精度的数据进行关联与互补，最终输出一致的、高精度的身份、位置、速度及轨迹信息。决策级融合广泛采用状态估计与模式识别方法，如使用目标跟踪算法[62]或联合概率数据关联[63]进行多目标状态跟踪。该层级结构容错性好，通信开销低，但性能上限受限于各传感器的本地处理能力。决策级融合在信息压缩与精度之间更易取得平衡，对通信带宽的需求较低，更利于实时处理。规则级融合是最高层次的融合，它不直接处理数据或决策，而是依据领域知识预先定义一系列逻辑规则[64]；每个传感器基于自身数据独立完成预处理并做出本地决策，融合中心则运用高级算法对各节点的局部决策进行最终判决；其核心方法是高级信息推理与人工智能，如采用贝叶斯推理、D-S证据理论或投票机制等算法[56]，进行全局决策优化，最终输出一个综合性的、更可靠的判定结果；该层级的数据融合通信开销小、更易兼容异构传感器，但其性能上限受限于前端各传感器的本地处理能力，会造成信息损失与精度退化。

（三） 低空无人机感知技术趋势与发展挑战

现阶段，低空无人机感知技术的研究方向逐步拓展，感知手段探索与多模态信息融合的研究成为业内关注的重点，技术发展从单一传感器感知向多传感器融合发展。在感知手段的拓展上，已有研究开始尝试光纤、静电探测、多基站雷达等，基于不同的探测原理，弥补传统感知手段在特定场景中的探测短板，为低空感知技术体系提供潜在补充方向。同时，针对单模态探测的固有局限性，单传感器探测向多模态信息融合探测的技术发展已成为研究焦点，相关研究围绕异构、同构传感器的协同感知与数据融合展开，试图通过多手段优势互补，提升对无人机目标的探测与识别能力，相关技术研究正持续推进。

与此同时，低空无人机感知技术的落地应用与技术升级仍面临诸多现实挑战。当前不少感知技术的研究成果仍停留在实验室阶段，技术成熟度有待提升，部分在实验室理想环境下取得的探测效果，在实际应用中受复杂环境因素影响，难以稳定复现，工程转化与产品落地仍需进一步突破。单传感器探测的效果存在明显的局限性，在城市建筑群、植被覆盖区等复杂环境中，针对近地、贴地飞行的无人机目标，各类单一传感器的探测精度、虚警率或目标区分能力表现不佳，易出现漏报、误报等问题，难以满足实际低空安防的监测需求。此外，低空监视设备的区域规模化布设仍缺乏成熟经验，网络化低空感知的实践应用尚处于初期阶段，多以单点布设、小范围试验为主，规模化、网络化的感知试验尚不充分，难以应对大范围、规模化的低空无人机监测需求。面对低空无人机集群，现有感知与信息融合方案研究与实验不充分、在目标分辨、多目标持续跟踪能力上仍显不足。

三、 低空无人机信息物理反制技术发展现状与挑战

信息物理系统指由信息化元件与物理实体紧密编织形成的系统。近年来，随着通信技术与算力的发展，信息处理与物理过程的紧密耦合为系统智能化提供了重要基础，故而信息物理系统这一概念越来越受到关注。无人机可以视为一种典型的信息物理系统，其包含各类传感器、通信设备、飞行计算机等信息化元件，在信息网络层面为无人机的感知与控制提供基础，同时无人机由机身、机翼、执行机构等机械结构组成，在物理层面主导了无人机的飞行动力学行为。因此在反制无人机系统时，既可以在物理层面对其进行毁伤捕获，也可以在信息层面对其进行干扰诱骗。

（一） 物理层无人机反制技术发展现状

物理层无人机反制着眼于通过物理手段拦截或破坏无人机机体及元件，使其丧失飞行能力。传统的防空体系主要依靠物理手段，但火炮与导弹在低空安防应用方面的适用性不足，可能引发次生危害，同时在处置低空无人机时效费比不足，因此需要针对性的手段。

激光武器通过发射高能激光束定向照射无人机，依靠其高能量来烧毁无人机的壳体或关键部件，导致无人机的结构损坏或电子系统失效。激光武器的优势包括发射速度快、打击精度高、反制效果显著以及转移火力快，具有较高的效费比，是目前军用反无人机作战中重点研究的武器。美国的“雅典娜”激光武器系统[65]、俄罗斯的“佩列斯韦特”激光武器系统[66]以及中国的“沉默猎手”防空系统[67]等都采用了激光武器对无人机进行打击。然而，激光武器仍存在一些短板，例如，设备价格相对较高，受天气条件影响较大，在雨、雪、雾等复杂天气条件下，其反制效果会受到影响[68]。同时，虽然激光武器无污染，不易受到电子干扰，但在低空城市环境使用时需要考虑视线遮挡以及附带损伤等因素。

微波武器通过发射高功率、宽角度的倒锥形高强度电磁脉冲，利用微波与无人机内部电路的耦合作用，扰乱无人机的控制系统或破坏其天线、电路元件、导航和通信系统[69]。微波武器能够同时打击扇区内的多架无人机，具有对抗无人机集群的潜力[70]，且攻击速度快，受天气影响小[71]，效费比较高。微波武器的军事应用前景突出，各国目前对其研究高度重视，如美国的Leonidas多目标反电子系统以及THOR反无人机系统等[72]。微波武器在低空安防领域的应用也存在局限性：由于波束宽，在打击目标时难以精确控制打击范围，在低空环境可能造成附带损伤，不适合城市环境；此外，微波武器需要强大的电源支持且通常尺寸与质量较大，造成了其灵活部署能力受限。

高速撞击无人机（动能拦截无人机、“飞锥”无人机）通过高速飞行并撞击目标无人机使其受损坠落，具备自主跟踪制导的能力，具有成本低、部署灵活等优势。在低空安防方面，高速撞击无人机在机场、监狱、重要活动现场等区域能快速响应，迅速起飞拦截目标无人机。尽管“以无反无”乃至“以群反群”的思路受到广泛关注，动能拦截这一手段在拦截高速目标时对机动性与速度要求极高，需要高刷新率、高精度传感器与高实时性的制导算法的支撑，这使得高速撞击无人机在真实环境中的工程化实现面临挑战，目前仅能够撞击或拦截低动态目标。此外，无人机平台的破坏与失控可能导致无人机从空中坠落，因此还需要考虑对地面造成的附带损失。

网捕是一种以网枪或其他方式实施的利用绳网束缚、捕获目标无人机的物理反制手段。网捕技术以其可控性、可回收性和非致命性，在人口密集区域、重要活动安保、城市环境、需要捕获无人机作为证据的场景中具有应用潜力，能以较低成本对微型与小型无人机实施拦截捕获，实现要地守备的效果。除了便携式网枪以及其他陆基装备，利用无人机等空基平台实施网捕的方案由于其灵活性与快速部署能力受到关注，早期研究提出由单无人机携带刚性网进行拦截[73]，而后出现了无人机携带网枪的反制手段[74]，两架无人机拉网[75]，三架无人机携网[76-77]，四架无人机拖网[78]等方案。目前，网捕的主要局限性在其实施范围受限，截高速、高机动性目标困难。

表3总结了上述物理层反制技术。需要指出的是，不同构型无人机的飞行特性差异显著、参数分布较宽，物理反制手段需与目标速度、机动性、飞行模式相适配，单一手段存在各自局限，难以覆盖全场景与全类型目标。

（二） 信息层无人机反制技术发展现状

上述几种物理层手段直接对机体及元器件造成破坏，信息层手段则针对无人机通信链路与导航系统数据实施干预。在信息安全领域，攻击通常可分为泄露攻击、中断攻击、诱骗攻击三类，其中后两类会直接基于信息物理耦合对系统产生作用。中断攻击指对通信信息的阻断和正常功能的终止，包含干扰、拒服务攻击等；诱骗攻击则指对信息的篡改，旨在利用错误信息对系统行为产生影响。无人机的飞行控制系统对外接收的主要信息来自通信链路与卫星导航信号，干扰、篡改通信信息与卫星导航信息可以达成无人机反制这一目的。

通信链路阻断是典型的干扰方式，可通过发射2.4 GHz、5.8 GHz等频段的大功率射频噪声信号，造成对指定区域内无人机（或无人机集群）与操控端之间控制信号及图传数据链路的压制[79]。当干扰信号强度超过一定程度时，无人机通信数据链的误码率将呈指数级上升；若干扰频率与载波频率偏移小于一定程度时，仅需极小的干扰功率即可使链路失锁。届时，无人机将无法解析有效指令，触发其预设的安全机制（如自动返航、悬停或紧急降落）。现代无人机普遍采用自适应跳频与扩频技术来增强抗干扰能力[80]，因此当前通信链路干扰设备通常采用两种应对方式：一种是动态频率干扰技术，通过实时跟踪无线电信号的变化，快速完成对跳变频段的捕获、分析和识别，并发射相应频段信号实施精准干扰[81]；另一种是宽频带干扰方法，即在无人机常用遥控频段施加大功率的全频段宽带阻塞干扰，以压制通信信号。该类无线电压制技术是目前应用广泛的反制手段之一，广泛用于国内外安防和军事领域，但这类手段也存在明显缺点，包括电磁辐射较大，容易对周围正常无线电信号产生干扰。无线电劫持技术通过截获并解析目标无人机与控制站之间的通信信号，伪造控制指令后以更高功率发送，从而覆盖原有信号，夺取对无人机的控制权，类似于“中间人攻击”。该技术的优势在于能够直接接管目标无人机，且不易对周边其他无线电设备造成干扰，相比于无线电压制所需功率较低。然而，随着无人机通信安全性的提升和加密算法的广泛应用，破解加密通信协议变得愈发难以实现。

导航信号干扰指通过向目标无人机发送特定频率的干扰波形，与无人机接收的卫星导航信号产生叠加效应，从而导致无人机无法进行精确定位[82]。然而，目前无人机导航技术向着抗干扰、冗余设计、多传感器融合的方向发展，例如，将卫星导航、视觉导航、毫米波雷达和惯性导航系统的数据进行综合处理，引入异常检测机制，形成冗余导航能力，即使在卫星导航信号受到干扰的情况下，无人机也能维持一定程度的自主飞行能力[83]，这限制了导航信号干扰技术在无人机反制中的应用。相比之下，导航诱骗技术更具潜力，其通过捕获无人机的导航信号并进行特定的调制，生成虚假信号以误导无人机飞往错误的位置[84]。通过对导航诱骗信号的特殊设计，有可能穿透无人机的导航异常检测机制，保障导航诱骗的有效实施。通过在重要区域广播虚假的导航信号，可以诱导入侵无人机飞离该区域[85]。然而，这种手段也可能影响到范围内其他正常飞行无人机的导航信号，且诱骗有效实施机制需要开展更多的研究。

对于无人机的飞行控制系统，除了通信与卫星导航信号外，对其传感器信息的干扰也能作为反制手段。声波干扰技术利用同频共振的原理，通过发射与无人机内部惯性传感器相同频率的超声波引发共振，导致传感器输出失真，如果注入的信号在传感器共振频率附近具有足够的强度，传感器性能会显著下降，甚至使测量结果变得毫无意义[86]。声波干扰技术及其在无人机反制方面的应用目前还处于初步研究阶段。基于微机电系统（MEMS）的惯性传感器因其体积小、成本低，在无人机导航领域得到广泛应用。2015年，韩国科学技术院的研究团队实验了搭载MEMS陀螺仪的无人机在谐振声干扰下的工作状态[86]；2017年，密歇根大学的研究团队研究了声波干扰对MEMS加速度计输出的影响，该干扰由放大器或低通滤波器故障引起[87]；同年，阿里巴巴安全科研团队在黑帽安全技术大会上展示了声波对MEMS惯性器件的破坏性干扰实验结果，该干扰导致系统停止工作[88]；2019年，纽约大学的研究团队评估了MEMS陀螺仪在超声波攻击下的脆弱性，其主要原因是陀螺仪敏感轴与驱动轴之间的不协调[89]。近年来，更多研究聚焦于声波攻击设计与实现方法，同时也有更多研究关注对声波攻击的缓解方法[90-92]。目前，实现声波干扰需要功能强大的超声波发射器，导致其成本较高，且声波强度随着距离增加而衰减的特点也限制了其反制距离，这些因素使得声波干扰技术在短期内难以广泛应用。表4总结了上述信息层反制技术。

（三） 低空无人机反制技术发展趋势与挑战

当前低空无人机反制技术的研究与应用探索，正逐步向贴合实际安防需求的方向推进，相关技术研发的侧重点与实践方向呈现出一定的发展特征。一方面，“以机制机”“以无反无”的反制思路逐渐受到关注，已有相关研究与试点尝试依托无人机平台的机动特性，利用动能撞击等方式实施拦截反制，试图弥补传统陆基反制手段在响应速度、部署灵活度上的不足，相关技术与装备的探索仍在持续进行。另一方面，在反制技术的研发环节中，试验测试的比重逐步增加，研究重心正从理论方法设计向实际场景试验测试倾斜，更多研究开始搭建贴近实际应用环境的试验平台，开展多场景下的反制效果验证，为技术方案的优化与完善提供实际数据支撑。

在技术探索与发展的过程中，低空无人机反制技术仍面临诸多亟待解决的现实问题与挑战。第一，单一反制手段在理论与应用层面均存在固有短板，物理层反制手段易受作用距离、环境条件、平台机动性等因素限制，信息层反制手段则受无人机抗干扰技术升级、通信协议加密等因素影响，各类单一手段均无法实现对不同类型、不同场景下无人机目标的全面有效处置。第二，“以机制机”“以群反群”、无线电压制、导航诱骗等主流反制手段的技术成熟度仍有待提升，在各类演习与测试中，受环境干扰、目标动态变化、装备性能稳定性等多重因素影响，反制成功率难以得到稳定保障，实际应用效果与理论预期存在一定差距。第三，微波武器、无线电压制、导航诱骗等反制手段存在附带损伤的潜在风险，微波武器的波束特性易对非目标电子设备造成干扰或损坏，无线电压制可能影响周边合法无线电信号的正常传输，导航诱骗技术则可能对区域内正常飞行的无人机产生误引导，此类潜在风险成为制约其在人口密集区、城市核心区等重要场景推广应用的重要因素。

四、 低空无人机反制技术发展建议

（一） 推动感知技术工程化转化与场景适配

针对感知技术研究成果多停留于实验室阶段、在复杂低空环境中易出现性能衰减、产品化落地适配性与可行性不足等问题，应加快建立实验室技术与工程化应用的双向衔接机制，围绕城市、山地、濒海等复杂低空环境与典型应用场景，制定可考核、可验证的技术性能要求与测试规范。在此基础上，推动感知核心算法与通用化硬件平台深度适配，逐步降低感知装备工程化落地成本与技术门槛，提升感知技术在真实环境中的实用性与可靠性。应重点推进多传感器协同感知与数据融合技术的工程化落地，突破特征级、决策级与规则级融合在数据损失、实时性保障等方面的关键瓶颈。加强多模态数据实时关联、分布式目标跟踪与识别及复杂环境适配的融合架构研究，提升异构分布式传感器网络在杂波与噪声干扰下的探测概率和定位精度，降低虚警率。

（二） 开展低空监视设备网络化布设试点

分布式规模化部署的低空监视设备网络，可有效突破单一探测设备的性能边界。针对低空监视设备网络化布设经验不足、规模化运维体系不成熟、整体协同运行能力较弱等问题，可结合区域低空安防需求，选取典型区域开展低空监视设备网络化布设试点。在试点过程中，重点探索设备布局、协同运行、日常管护等实操路径，通过实践积累部署规划、联调联试、巡检维护、故障处置等全流程经验，逐步提升低空监视网络的覆盖连续性与运行稳定性，为更大范围推广应用奠定实践基础。

（三） 丰富反制手段并优化组合应用模式

针对单一反制手段受原理限制存在固有短板、难以全面应对不同类型与飞行状态的无人机目标、场景适配能力不足等问题，应在现有技术基础上拓展反制手段类型，合理推进物理拦截、电磁干扰、导航诱骗等不同层级手段的梯次配置与组合运用。鼓励发展新机理、新模式的感知与反制技术，如采用光纤及外辐射源雷达降低监视成本、利用事件相机增强动态目标感知、发展具备协同能力的无人机集群反制方法等。推动反制手段向模块化发展，形成软硬杀伤结合、远近程衔接、梯次配置的处置能力，以应对多样化无人机威胁。同时结合目标特征、空域条件、安全要求等因素，制定差异化、适配性更强的反制策略，提升反制体系对复杂低空威胁的综合处置能力与灵活性。

（四） 深化反制机理研究与测试实践

针对“以无反无”、无线电压制、导航诱骗等反制手段成熟度不高、受环境与目标状态影响大、反制成功率难以稳定保障等问题，应深化无人机反制基础机理研究，明晰各类手段的作用原理、约束条件与效能边界。结合多样化应用场景开展多工况、多条件技术测试与实践验证，通过试验数据形成迭代优化机制，稳步提升主流反制手段的可靠性、稳定性与环境适应性。针对部分反制技术偏重理论仿真、真实场景试验不充分、实际应用经验不足等问题，应紧贴低空安防需求，开展贴近实战的反制技术实地试验。选择典型应用区域推进感知与反制一体化落地，重点积累设备调度、操作执行、协同配合、应急响应等实操经验，通过真实场景暴露问题、优化流程、完善方案，提升反制技术从研发到应用的转化效率。

（五） 强化反制过程风险管控与规范使用

针对微波武器、无线电压制、导航诱骗等手段存在附带损伤风险，易干扰周边合法电子设备、正常通信导航信号及合规飞行活动，进而制约在敏感区域推广应用等问题，应在丰富反制手段、优化组合策略的同时，系统开展反制技术附带损伤机理研究与风险评估。结合不同场景的安全要求，明确各类反制手段的适用条件、操作流程与使用规范，从技术应用与管理流程两方面降低附带干扰和安全风险，提升反制作业的安全性与可控性。针对反制技术应用法律边界不清、合规风险较高、规范化使用缺乏指引等问题，应结合低空领域管理要求，进一步明晰合法应用范围与实施条件，合理划定各类主体在低空安防中的操作权限与责任边界。研究出台反制技术应用合规性指导文件，从制度层面明确应用原则、审批流程、使用规范与监督要求，为无人机反制技术安全、有序、规范应用提供制度支撑。

（六） 提升技术集成度与多平台协同能力

针对感知与反制环节相对独立、系统集成度不足、未形成高效闭环响应体系等问题，应打通感知设备与反制装备的协同链路，推动反制系统向集成化、自动化、智能化方向发展。整合探测、识别、决策、处置全链条能力，引入人工智能技术优化威胁评估、提升响应效率。设计人机交互友好的指挥控制系统，降低专业操作门槛，提升系统在突发场景下的自主响应与协同处置效率，构建高效费比的低空安防闭环。加强空基、陆基等反制平台的研发优化与协同能力建设，通过平台优化与技术整合，构建模块化、可扩展的反制装备体系，实现多平台互补与立体化部署。结合立体化防控需求，优化空基与陆基平台性能设计，强化平台间任务协同、信息衔接与行动配合，通过合理配置、优化部署、完善机制，形成高低衔接、远近互补、空地协同的多层次反制装备体系，提升对全域低空目标的持续防控与快速处置能力。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

张军，陈磊，高智杰， 低空无人机技术研究现状与展望［J］. 中国工程科学，2025，27（2）：73-85.
[2]

Zhang J，Chen L，Gao Z J，et al. Low-altitude unmanned aerial vehicle technology：Current status and prospects［J］. Strategic Study of CAE，2025，27（2）：73-85.
[3]

中国民用航空局. 2025年民航行业发展统计公报［EB/OL］. （2026-04-17）［2026-04-18］. https：//www.caac.gov.cn/XXGK/XXGK/TJSJ/202604/t20260417_230601. html.
[4]

Civil Aviation Administration of China. Statistical bulletin of civil aviation industry development in 2025［EB/OL］. （2026-04-17）［2026-04-18］. https：//www.caac.gov.cn/XXGK/XXGK/TJSJ/202604/t20260417_230601. html.
[5]

张学成，张晓洁，王帆. “低空经济”发展一年间［EB/OL］. （2025-02-19）［2025-09-30］. https：//www.gov.cn/yaowen/liebiao/202502/content_7004451. htm.
[6]

Zhang X C，Zhang X J，Wang F. “Low-altitude economy”：A year of development［EB/OL］. （2025-02-19）［2025-09-30］. https：//www.gov.cn/yaowen/liebiao/202502/content_7004451. htm.
[7]

通用航空装备创新应用实施方案（2024—2030年）［EB/OL］. （2024-03-27）［2025-01-20］. https：//www.gov.cn/zhengce/zhengceku/202403/content_6942115. htm.
[8]

Implementation plan for the innovative application of general aviation equipment（2024—2030）［EB/OL］. （2024-03-27）［2025-01-20］. https：//www.gov.cn/zhengce/zhengceku/202403/content_6942115. htm.
[9]

张军. 空域监视技术的新进展及应用［J］. 航空学报，2011，32（1）：1-14.
[10]

Zhang J. New development and application of airspace surveillance technology［J］. Acta Aeronautica et Astronautica Sinica，2011，32（1）：1-14.
[11]

汤新民，顾俊伟，刘冰， 低空监视技术及其发展趋势综述［J］. 南京航空航天大学学报，2024，56（6）：973-993.
[12]

Tang X M，Gu J W，Liu B，et al. Review on low-altitude surveillance technology and its development trend［J］. Journal of Nanjing University of Aeronautics & Astronautics，2024，56（6）：973-993.
[13]

王智芳，周晓芳，徐从宇. 基于无线电技术的民用无人机侦测与管控方法在监所环境的探究［J］. 计算机科学与应用，2018，8（9）：1407-1415.
[14]

Wang Z F，Zhou X F，Xu C Y. Research on detection and control method of civilian UAV based on radio technology in prison environment［J］. Computer Science and Application，2018，8（9）：1407-1415.
[15]

朱艳巍，屠丹，李新利. 无线电监测测向设施现场测试系统研究［J］. 中国无线电，2020（1）：38-41.
[16]

Zhu Y W，Tu D，Li X L. Research on the field test system of radio monitoring and direction finding facilities［J］. China Radio，2020（1）：38-41.
[17]

罗俊海，王芝燕. 无人机探测与对抗技术发展及应用综述［J］. 控制与决策，2022，37（3）：530-544.
[18]

Luo J H，Wang Z Y. A review of development and application of UAV detection and counter technology［J］. Control and Decision，2022，37（3）：530-544.
[19]

陈唯实，李敬. 雷达探鸟技术发展与应用综述［J］. 现代雷达，2017，39（2）：7-17.
[20]

Chen W S，Li J. Review on development and applications of avian radar technology［J］. Modern Radar，2017，39（2）：7-17.
[21]

李士国，张瑞国，孙晶明， 基于深度学习的雷达自动目标识别架构研究［J］. 现代雷达，2019，41（11）：57-61，84.
[22]

Li S G，Zhang R G，Sun J M，et al. A study on the architecture of radar ATR based on deep learning［J］. Modern Radar，2019，41（11）：57-61，84.
[23]

Riabukha V P. Radar surveillance of unmanned aerial vehicles（review）［J］. Radioelectronics and Communications Systems，2020，63（11）：561-573.
[24]

罗淮鸿，卢盈齐. 国外反“低慢小”无人机能力现状与发展趋势［J］. 飞航导弹，2019（6）：32-36.
[25]

Luo H H，Lu Y Q. Present situation and development trend of foreign anti-“low-slow-small”UAV capabilities［J］. Aerodynamic Missile Journal，2019（6）：32-36.
[26]

陈小龙，陈唯实，饶云华， 飞鸟与无人机目标雷达探测与识别技术进展与展望［J］. 雷达学报，2020，9（5）：803-827.
[27]

Chen X L，Chen W S，Rao Y H，et al. Progress and prospects of radar target detection and recognition technology for flying birds and unmanned aerial vehicles［J］. Journal of Radars，2020，9（5）：803-827.
[28]

Tang L M，Wang H，Feng Z K，et al. Small phased array radar based on AD9361 for UAV detection［C］// 2019 IEEE MTT-S International Microwave Biomedical Conference（IMBioC），2019：1-5.
[29]

Wang Y B，Wang W J，Zhang X D，et al. The joint phantom track deception and TDOA/FDOA localization using UAV swarm without prior knowledge of radars’ precise locations［J］. Electronics，2022，11（10）：1577.
[30]

Huizing A，Heiligers M，Dekker B，et al. Deep learning for classification of mini-UAVs using micro-Doppler spectrograms in cognitive radar［J］. IEEE Aerospace and Electronic Systems Magazine，2019，34（11）：46-56.
[31]

Martinez J，Kopyto D，Schütz M，et al. Convolutional neural network assisted detection and localization of UAVs with a narrowband multi-site radar［C］// 2018 IEEE MTT-S International Conference on Microwaves for Intelligent Mobility（ICMIM），2018：1-4.
[32]

Kim B K，Kang H S，Park S O. Drone classification using convolutional neural networks with merged Doppler images［J］. IEEE Geoscience and Remote Sensing Letters，2017，14（1）：38-42.
[33]

Oh B S，Guo X，Wan F Y，et al. Micro-Doppler mini-UAV classification using empirical-mode decomposition features［J］. IEEE Geoscience and Remote Sensing Letters，2018，15（2）：227-231.
[34]

Ren J F，Jiang X D. Regularized 2-D complex-log spectral analysis and subspace reliability analysis of micro-Doppler signature for UAV detection［J］. Pattern Recognition，2017，69：225-237.
[35]

Nie W，Han Z C，Zhou M，et al. UAV detection and identification based on WiFi signal and RF fingerprint［J］. IEEE Sensors Journal，2021，21（12）：13540-13550.
[36]

Ezuma M，Erden F，Anjinappa C K，et al. Micro-UAV detection and classification from RF fingerprints using machine learning techniques［C］// 2019 IEEE Aerospace Conference，2019：1-13.
[37]

Abeywickrama S，Jayasinghe L，Fu H，et al. RF-based direction finding of UAVs using DNN［C］// 2018 IEEE International Conference on Communication Systems（ICCS），2018：157-161.
[38]

Nemer I，Sheltami T，Ahmad I，et al. RF-based UAV detection and identification using hierarchical learning approach［J］. Sensors，2021，21（6）：1947.
[39]

Ozturk E，Erden F，Guvenc I. RF-based low-SNR classification of UAVs using convolutional neural networks［J］. ITU Journal on Future and Evolving Technologies，2021，2（5）：39-52.
[40]

Alipour-Fanid A，Dabaghchian M，Wang N，et al. Machine learning-based delay-aware UAV detection and operation mode identification over encrypted Wi-Fi traffic［J］. IEEE Transactions on Information Forensics and Security，2020，15：2346-2360.
[41]

Bisio I，Garibotto C，Lavagetto F，et al. Unauthorized amateur UAV detection based on WiFi statistical fingerprint analysis［J］. IEEE Communications Magazine，2018，56（4）：106-111.
[42]

Bhattacherjee U，Ozturk E，Ozdemir O，et al. Experimental study of outdoor UAV localization and tracking using passive RF sensing［C］// The 15th ACM Workshop on Wireless Network Testbeds，Experimental evaluation & CHaracterization，2021：31-38.
[43]

Sedunov A，Salloum H，Sutin A，et al. UAV passive acoustic detection［C］// 2018 IEEE International Symposium on Technologies for Homeland Security（HST），2018：1-6.
[44]

Nguyen P，Kim T，Miao J P，et al. Towards RF-based localization of a drone and its controller［C］// The 5th Workshop on Micro Aerial Vehicle Networks，Systems，and Applications，2019：21-26.
[45]

Blanchard T，Thomas J H，Raoof K. Acoustic localization and tracking of a multi-rotor unmanned aerial vehicle using an array with few microphones［J］. The Journal of the Acoustical Society of America，2020，148（3）：1456-1467.
[46]

Jovanoska S，Knoedler B，Palanivelu D P. Passive sensor processing and data fusion for drone detection［C］// Meeting of the NATO Science and Technology Organization，Systems Concepts and Integration Panel（SCI-318），STO-MP-MSG-SET-183，2021.
[47]

Kaplan B，Kahraman İ，Ektı A R，et al. Detection，identification，and direction of arrival estimation of drone FHSS signals with uniform linear antenna array［J］. IEEE Access，2021，9：152057-152069.
[48]

Kartashov V，Oleynikov V，Zubkov O，et al. Optical detection of unmanned air vehicles on a video stream in a real-time［C］// 2019 International Conference on Information and Telecommunication Technologies and Radio Electronics（UkrMiCo），2019：1-4.
[49]

Kim B H，Khan D，Bohak C，et al. V-RBNN based small drone detection in augmented datasets for 3D LADAR system［J］. Sensors，2018，18（11）：3825.
[50]

Siewert S B，Andalibi M，Bruder S，et al. Slew-to-cue electro-optical and infrared sensor network for small UAS detection，tracking and identification［C］// AIAA Scitech 2019 Forum，2019：2264.
[51]

Stuckey H，Al-Radaideh A，Escamilla L，et al. An optical spatial localization system for tracking unmanned aerial vehicles using a single dynamic vision sensor［C］// IEEE/RSJ International Conference on Intelligent Robots and Systems（IROS），2021：3093-3100.
[52]

Seidaliyeva U，Akhmetov D，Ilipbayeva L，et al. Real-time and accurate drone detection in a video with a static background［J］. Sensors，2020，20（14）：3856.
[53]

Dubey N，Sai Nithin N M，Tripathi S. Analysis and comparison of image-based UAV detection and identification［C］// 2022 IEEE 9th Uttar Pradesh Section International Conference on Electrical，Electronics and Computer Engineering（UPCON），2022：1-6.
[54]

Shi Z G，Chang X Y，Yang C Q，et al. An acoustic-based surveillance system for amateur drones detection and localization［J］. IEEE Transactions on Vehicular Technology，2020，69（3）：2731-2739.
[55]

Seo Y，Jang B，Im S. Drone detection using convolutional neural networks with acoustic STFT features［C］// The 15th IEEE International Conference on Advanced Video and Signal Based Surveillance（AVSS），2018：1-6.
[56]

Anwar M Z，Kaleem Z，Jamalipour A. Machine learning inspired sound-based amateur drone detection for public safety applications［J］. IEEE Transactions on Vehicular Technology，2019，68（3）：2526-2534.
[57]

Yang B，Matson E T，Smith A H，et al. UAV detection system with multiple acoustic nodes using machine learning models［C］// 2019 Third IEEE International Conference on Robotic Computing（IRC），2019：493-498.
[58]

Utebayeva D，Almagambetov A，Alduraibi M，et al. Multi-label UAV sound classification using Stacked Bidirectional LSTM［C］// 2020 Fourth IEEE International Conference on Robotic Computing（IRC），2020：453-458.
[59]

U. S. Department of Homeland Security. S&T countering unmanned aircraft systems fact sheet［EB/OL］. （2023-08-02）［2024-10-03］. https：//www.dhs.gov/publication/st-countering-unmanned-aircraft-systems-fact-sheet.
[60]

Federal Aviation Administration. Visualize it：see FAA UAS data on a map［EB/OL］. （2024）［2024-10-03］. https：//faa.maps.arcgis.com/apps/webappviewer/index.html id=9c2e4406710048e19806ebf6a06754ad.
[61]

Sander J，Kuwertz A，Mühlenberg D，et al. High-level data fusion component for drone classification and decision support in counter UAV［C］// Open Architecture/Open Business Model Net-Centric Systems and Defense Transformation 2018：87-96.
[62]

Uddin Z，Altaf M，Bilal M，et al. Amateur Drones Detection：A machine learning approach utilizing the acoustic signals in the presence of strong interference［J］. Computer Communications，2020，154：236-245.
[63]

Nuss B，Sit L，Fennel M，et al. MIMO OFDM radar system for drone detection［C］// The 18th International Radar Symposium（IRS），2017：1-9.
[64]

Hengy S，Laurenzis M，Schertzer S，et al. Multimodal UAV detection：Study of various intrusion scenarios［C］// Electro-Optical Remote Sensing XI，2017：203-212.
[65]

Böniger U，Ott B，Wellig P，et al. Detection of mini-UAVs in the presence of strong topographic relief：A multisensor perspective［C］// Target and Background Signatures II，2016：13-20.
[66]

Wang J，Liu Y X，Song H B. Counter-unmanned aircraft system（s）（C-UAS）：State of the art，challenges，and future trends［J］. IEEE Aerospace and Electronic Systems Magazine，2021，36（3）：4-29.
[67]

Seidaliyeva U，Ilipbayeva L，Taissariyeva K，et al. Advances and challenges in drone detection and classification techniques：A state-of-the-art review［J］. Sensors，2024，24（1）：125.
[68]

Samaras S，Diamantidou E，Ataloglou D，et al. Deep learning on multi sensor data for counter UAV applications—A systematic review［J］. Sensors，2019，19（22）：4837.
[69]

van den Broek B，van der Velde J，van den Baar M，et al. Automatic threat evaluation for border security and surveillance［C］// Counterterrorism，Crime Fighting，Forensics，and Surveillance Technologies III，2019：113-122.
[70]

Brown A D. Radar challenges，current solutions，and future advancements for the counter unmanned aerial systems mission［J］. IEEE Aerospace and Electronic Systems Magazine，2023，38（9）：34-50.
[71]

Inani K N，Sangwan K S，Dhiraj. Machine Learning based framework for drone detection and identification using RF signals［C］// The 4th International Conference on Innovative Trends in Information Technology（ICITIIT），2023：1-8.
[72]

Amjoud A B，Amrouch M. Object detection using deep learning，CNNs and vision transformers：A review［J］. IEEE Access，2023，11：35479-35516.
[73]

Pereira F，Gordon G. The support vector decomposition machine［C］// The 23rd International Conference on Machine Learning，2006：689-696.
[74]

Liu K，Li Y N，Xu N，et al. Learn to combine modalities in multimodal deep learning［PP/OL］.v1.ArXiv（2018-05-29）［2026-04-18］. https：//arxiv.org/abs/1805.11730.
[75]

Chen X，Tharmarasa R，Kirubarajan T. Multitarget multisensor tracking［M］//Sidiropoulos N D，Gini F，Chellappa R，Theodoridis S. Academic Press Library in Signal Processing：Volume 2 Communications and Radar Signal Processing. Amsterdam：Elsevier，2014：759-812.
[76]

Hansen P，Pinto Faria R. Protection against unmanned aircraft systems：Handbook on UAS protection of critical infrastructure and public space：A five phase approach for C-UAS stakeholders［EB/OL］. （2023-10-18）［2026-04-18］. https：//publications. jrc.ec.europa.eu/repository/handle/JRC132714.
[77]

黄明锐，赵国林，潘晓东， 国外反无人机蜂群研究现状及发展趋势［J］. 舰船电子工程，2023，43（7）：1-3.
[78]

Huang M R，Zhao G L，Pan X D，et al. Research status and development trend of anti UAV swarm at home and abroad［J］. Ship Electronic Engineering，2023，43（7）：1-3.
[79]

周新人，卢盈齐，刘学亮， 国外定向能防空武器抗击无人机蜂群研究现状分析及思考［J］. 飞航导弹，2021（7）：91-95.
[80]

Zhou X R，Lu Y Q，Liu X L，et al. Analysis and thinking on the research status of directed energy air defense weapons against drone bee colony abroad［J］. Aerodynamic Missile Journal，2021（7）：91-95.
[81]

刘文学，王涛，李赵健伟， 反无人机装备发展现状及趋势［C］// 2022年无人系统高峰论坛（USS2022），2022：37-44.
[82]

Liu W X，Wang T，Li Z J W，Development Status and Trend of anti-UAV Equipment［C］// 2022 Unmanned Systems Summit Forum，2022：37-44.
[83]

Lyu C Y，Zhan R J. Research on the cutting-edge application of high energy laser C-UAS technology［C］// International Conference on Optoelectronic and Microelectronic Technology and Application，2020：291-304.
[84]

易劲松，屈长虹，张秦岭. 定向能武器在反无人机蜂群作战中的运用探析［J］. 国防科技工业，2022（12）：58-60.
[85]

Yi J S，Qu C H，Zhang Q L. Application of directed energy weapons in anti-UAV bee colony operation［J］. Defence Science & Technology Industry，2022（12）：58-60.
[86]

张秦岭，魏金涛. 浅析定向能武器在要地防御反无人机集群中的应用［J］. 国防科技工业，2021（12）：53-55.
[87]

Zhang Q L，Wei J T. Analysis on the application of directed energy weapons in the defense of anti-UAV cluster in key areas［J］. Defence Science & Technology Industry，2021（12）：53-55.
[88]

姚庆阳，辜霄，王辉， 高功率微波无人机反制系统研究［J］. 真空电子技术，2024（1）：51-55.
[89]

Yao Q Y，Gu X，Wang H，et al. Research on high-power microwave anti-UAV system［J］. Vacuum Electronics，2024（1）：51-55.
[90]

周末，孙海文，王亮， 国外反无人机蜂群作战研究［J］. 指挥控制与仿真，2023，45（2）：24-30.
[91]

Zhou M，Sun H W，Wang L，et al. Research on foreign anti-UAV swarm warfare［J］. Command Control & Simulation，2023，45（2）：24-30.
[92]

Diehl M，Hornung M. Conceptual design of an interceptor UAV［C］// The 17th AIAA Aviation Technology，Integration，and Operations Conference，2017：3587.
[93]

Meng X，Ding X L，Guo P. A net-launching mechanism for UAV to capture aerial moving target［C］// 2018 IEEE International Conference on Mechatronics and Automation（ICMA），2018：461-468.
[94]

Kim H J，Kim M，Lim H，et al. Fully autonomous vision-based net-recovery landing system for a fixed-wing UAV［J］. IEEE/ASME Transactions on Mechatronics，2013，18（4）：1320-1333.
[95]

Rothe J，Strohmeier M，Montenegro S. A concept for catching drones with a net carried by cooperative UAVs［C］// 2019 IEEE International Symposium on Safety，Security，and Rescue Robotics（SSRR），2019：126-132.
[96]

Chakravarthy A，Ghose D. Collision cone-based net capture of a swarm of unmanned aerial vehicles［J］. Journal of Guidance，Control，and Dynamics，2020，43（9）：1688-1710.
[97]

Tolman S，Beard R W. Counter UAS using a formation controlled dragnet［C］// 2017 International Conference on Unmanned Aircraft Systems（ICUAS），2017：1665-1672.
[98]

Li Z R，Gao Z，Wang K Y，et al. Unauthorized UAV countermeasure for low-altitude economy：Joint communications and jamming based on MIMO cellular systems［J］. IEEE Internet of Things Journal，2025，12（6）：6659-6672.
[99]

Rao N，Xu H，Qi Z S，et al. Fast adaptive jamming resource allocation against frequency-hopping spread spectrum in wireless sensor networks via meta-deep-reinforcement-learning［J］. IEEE Transactions on Aerospace and Electronic Systems，2024，60（6）：7676-7693.
[100]

Lei Z P，Ding P，Zheng W，et al. UAV countermeasure technology based on partial-band noise jamming［C］// The 33rd Chinese Control and Decision Conference（CCDC），2021：1456-1461.
[101]

Kerns A J，Shepard D P，Bhatti J A，et al. Unmanned aircraft capture and control via GPS spoofing［J］. Journal of Field Robotics，2014，31（4）：617-636.
[102]

Van den Bergh B，Pollin S. Keeping UAVs under control during GPS jamming［J］. IEEE Systems Journal，2019，13（2）：2010-2021.
[103]

Meng L X，Yang L，Yang W，et al. A survey of GNSS spoofing and anti-spoofing technology［J］. Remote Sensing，2022，14（19）：4826.
[104]

Radoš K，Brkić M，Begušić D. Recent advances on jamming and spoofing detection in GNSS［J］. Sensors，2024，24（13）：4210.
[105]

Son Y，Shin H，Kim D，et al. Rocking drones with intentional sound noise on gyroscopic sensors［C］// The 24th USENIX Conference on Security Symposium，2015：881-896.
[106]

Trippel T，Weisse O，Xu W Y，et al. WALNUT：Waging doubt on the integrity of MEMS accelerometers with acoustic injection attacks［C］// 2017 IEEE European Symposium on Security and Privacy（EuroS&P），2017：3-18.
[107]

Sonic gun to smart devices：Your devices lose control under ultrasound/sound［EB/OL］. （2023）［2025-10-03］. https：//sonicgun.github.io/.
[108]

Khazaaleh S，Korres G，Eid M，et al. Vulnerability of MEMS gyroscopes to targeted acoustic attacks［J］. IEEE Access，2019，7：89534-89543.
[109]

Liu J S，Li H，Wang H N，et al. TimeTravel：Real-time timing drift attack on system time using acoustic waves［C］// The 34th USENIX Security Symposium（USENIX Security 25），2025：3885-3902.
[110]

Huang Z J，Zhang Y C，Chen S，et al. Siren song：Acoustic attacks on pose estimation in XR headsets［C］// 2025 IEEE International Symposium on Mixed and Augmented Reality（ISMAR），2025：1543-1553.
[111]

Olthuis J J，Arendsen B，Sciancalepore S，et al. Impact of acoustic injection attacks on micro-UAVs［C］// 2025 IEEE Conference on Communications and Network Security（CNS），2025：1-11.

基金资助

中国工程院咨询项目“低空无人装备关键技术及应用发展战略研究”(2025-HZ-40)

AI Summary AI Mindmap
PDF (3148KB)

0

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉