现代战争是推动无人机发展的基本动力,无人机通过对场景信息的感知进行作业,从而在较少人为干预的情况下执行枯燥或危险的任务,因此无人机目标识别是无人机系统中最重要的发展方向之一。本文以无人机航拍图像中固定翼飞机目标的识别作为应用场景,立足于计算机视觉领域的经典研究成果,对基于深度学习方法的目标识别算法进行优化和创新。本文主要工作如下:1.对图像进行预处理。提取彩色图像的明度信息,生成灰度图。根据邻域信息,对图像的BMS显著性区域进行非线性自适应增强,提高过曝和欠曝图片的质量,减小目标识别任务中不理想的光照条件对识别效果影响。2.以Faster R-CNN为基本框架,研究基于VGG16网络和区域建议的目标识别方法。根据应用场景,对用于提取特征的卷积层激活函数、区域建议预选窗口的生成与整合策略、多任务损失函数进行改进,并调整VGG16网络、RPN、softmax分类器等相关参数。对NWPU VHR-10数据集进行数据增强,以实现深度网络的训练。最后在UCAS-AOD数据集上进行验证,识别效果证明该网络模型的可靠性与优越性。3.结合具有实时性的超分辨重构子网络,设计一种面向小尺度固定翼飞机的目标识别神经网络。对超分辨重构子网络进行选择性剪枝,加速学习过程,避免过拟合。实验证明该优化网络能够提高识别的精确率和召回率,一定程度上克服了无人机目标识别技术中小目标识别的难点。