装备于机载平台上的目标识别系统具有应用范围广、机动性强、监测效率高等优点,是一种军民两用技术。本文依托于航空科学基金项目,针对机载光电观测系统信息处理硬件资源有限、目标识别背景变化大、识别难度高等难题,开展基于嵌入式平台上的小型化、轻量化的目标识别及任务决策应用技术研究。从深度学习网络优化、深度学习目标识别在嵌入式平台实现技术以及任务决策等方面开展研究工作。主要研究内容如下:（1）完成了单阶段目标识别深度学习网络框架、组成单元对比分析。分析了影响目标识别结果的主要网络模块,探讨了以提升目标识别性能进行网络结构改进的可行性及技术途径。分析了几种典型网络在公开数据集上的目标识别性能,给出为空对地目标观测深度学习网络选型方案。（2）建立了一套空对地观测目标识别的数据集。根据YOLOv3-tiny网络特征提取网络较浅、提取到的语义信息不足、目标识别特性尺度向量少,尺度信息不完整等技术不足。借鉴FPN的思想,在轻量级网络模型基础上设计三层目标特征向量尺度方案,在特征融合前方引入RFB模块,以增强大地背景下目标特征的提取能力。研究了TX2嵌入式平台上深度学习网络优化后的移植及性能测试。（3）根据地面附近飞行目标碰撞可能性的决策任务需求,采用单目视觉观测系统模型,通过目标之间、目标与相机之间相对位置关系解算,获得空对地远距离观测目标之间位置参数。通过构建模糊推理系统,设计模糊推理规则,评估目标的碰撞风险评估等级,同时应用ID3算法构建决策模型,完成了任务决策测试实验与数据分析。