在现代智能化作战的大背景下，战场的信息感知能力对决定战争的胜负起着关键的作用。现有的侦察手段以人为主，深入敌方侦察对我方人员的生命会产生极大的威胁，所以在电子设备上采用智能的目标识别算法显得尤为必要。传统目标识别方法在陆战场环境中存在着识别准确不高，实时性不佳的问题。深度学习作为一种新兴的技术具有很强的鲁棒性，相比于传统模式识别方法，在对目标检测的特征提取方面可以有效减少由于背景环境复杂、目标快速运动、尺度变化大带来的影响。因此本文结合深度学习理论，研究陆战场目标识别的相关技术，完成对陆战场运动目标的识别。
　　文中首先介绍了深度学习相关理论的原理以及国内外研究现状，研究了深度学习相关技术的基本理论。引出了对抗生成网络模型；对运动目标定位与分类的卷积神经网络的数学原理进行推导；对运动目标识别与跟踪的孪生网络的算法过程进行了介绍。
　　针对对抗生成网络在图像数据扩充方面的损失函数无法收敛劣势，介绍了本文所用的DCGAN模型的原理。文中通过引入通道混洗模块代替传统卷积模块，提升特征的通道交互效果；加入EM距离与先验条件信息使模型更容易收敛。并通过实验说明改进算法的有效性。
　　针对现有的目标定位分类框架SSD模型运动目标定位能力的不足，对该模型做了结构和算法两方面的改进。在结构方面，通过引入特征金字塔融合结构加强低层特征与高层特征的学习效果；在算法实现方面，使用ELU函数做为激活函数解决了原激活函数在负半轴梯度消失的情况，提出一种结合Focal loss的新损失函数F-Softmax解决了正负样本比例不平衡问题，并且用Soft-NMS结合GIoU的方法让候选区域生成的更加合理。通过实验证明目标定位准确率提高3%。
　　针对传统孪生网络对运动目标特征提取不准确的问题，通过在特征提取网络中加入通道注意力模块与空间注意力模块加强了特征复用；使用深度可分离卷积替代了原有特征提取网络中的卷积模块减少了模型的计算量。设计了仿真实验，通过定性分析与定量分析，进一步验证了本文方法在陆战场运动目标识别中精确率与成功率的先进性。
　　本文通过大量实验证明了所提的基于深度学习的的陆战场运动目标定位方法及识别方法优于现有的方法，可以完成在实际陆战场环境下对目标的识别，解决了实际的问题，为之后更深入的研究提供了参考。