成像导引头是成像制导武器的核心部件,主要担负复杂战场环境感知、目标识别、目标跟踪、干扰对抗和制导信息测量与解算等任务。其中,目标识别是成像导引头的关键技术之一,目标识别的识别率、精度和环境适应能力等性能直接决定了成像导引头及制导武器的作战使用和打击效果。目前,成像导引头主要采用以模板匹配为代表的目标识别技术,难以满足复杂战场环境带来的挑战。本文以成像导引头的研制为背景,研究基于深度学习的成像导引头目标识别算法,提升成像导引头目标识别的性能。取得的主要成果如下:（1）分析了基于深度学习的通用目标识别算法无法直接应用于成像导引头目标识别应用的原因和技术挑战,提出了一种针对成像导引头航拍图像目标识别应用的图像数据集预处理方案。（2）研究了基于深度神经网络的特征提取方法。针对成像导引头计算平台对算法模型的轻量化要求,设计了基于PAVNET的轻量化特征提取网络,并引入级联空洞卷积增强模型对尺度的鲁棒性,引入双向循环递归网络机制和特征递归金字塔机制改善网络的多尺度特征提取和表征能力。（3）研究了基于深度神经网络的目标分类与位置回归方法。首先,采用直接回归目标位置的策略,抛弃了冗余的中间步骤,提出了基于全卷积网络的目标分类和位置回归方法,改善了算法模型的运行速度。其次,针对常规卷积的感受野与旋转特征不匹配的问题,采用自适应动态匹配旋转与精修特征的方法,提出了基于预设框的分类和位置回归网络,提高了算法对复杂场景的适应能力。（4）研究了成像导引头目标识别算法的集成和高效实现。首先,针对成像导引头计算平台对识别速度的轻量化和快速性要求,集成了一种基于全卷积网络的成像导引头快速目标识别算法。其次,针对提升导引头目标识别的适应能力,复杂场景的适应能力,提出了基于特征递归的单阶段动态特征精炼目标识别算法。最后,通过实验验证了算法的性能,并实现了算法的模型加速和在嵌入式系统上的优化部署。