随着无人机技术快速发展而出现的大量违法行为,催生了对反无人机技术以及无人机的图像识别需求。然而,在学术上已明确了训练数据集是识别模型性能的重要影响因素下,无人机图像识别却面临着样本集不足的问题。一方面,无人机图像受飞行姿势、拍摄角度、距离等因素影响,图像样式多且差别大,还因种类众多的无人机的不断更新换代,这需要以较大地成本建立并维持充足的样本集。另一方面,无人机的工作背景对图像的影响较大,但已训练好的识别模型,难以识别异背景域的无人机图像,这一现象降低了已有样本集的使用价值。因此,无人机图像样本集的不足是造成识别模型性能差的主要原因,严重影响反无人机技术的应用价值。针对少样本下无人机图像识别模型性能不佳的问题,本文研究面向图像识别的无人机虚拟样本生成方法,目的是通过虚拟样本生成方法扩增的无人机图像样本集来改善模型性能。本文以大疆四旋翼无人机为研究目标,研究的虚拟样本生成方法分为同背景域和异背景域,分别用于场景不同的无人机识别任务。首先,研究同背景域下无人机图像虚拟样本生成方法,包括基于数据增广、QR分解、生成式对抗网络GAN的虚拟样本生成方法。其中,从数据增广的众多方法中,选出了适用于无人机图像的镜像翻转和重采样方法;QR重构加权融合方法改善了QR分解重构方法信息损失偏向性问题,并增加图像信息丰富度,更有效地提升模型性能;改进的W-GAN改善了GAN生成的无人机虚拟图像质量,大幅度提升图像质量和真实度。在同背景域无人机图像识别任务下,实验结果表明,三种方法能够有效地改善识别模型的性能,并且融合三种方法生成的虚拟样本可以获得最佳的模型性能提升效果。其次,针对跨背景域无人机图像识别任务,提出了基于MSA-GAN的异背景域虚拟样本生成方法。MSA-GAN通过子属性配对方法和强约束项分别解决了“属性崩溃”和“属性残留”现象,进而解决了不满足公共子属性限制的无人机背景迁移任务难题;实验表明,MSA-GAN能够实现高质量、丰富场景的无人机图像背景迁移。跨背景域无人机图像识别的实验表明,基于MSA-GAN的异背景域虚拟样本生成方案,能有效地提升模型性能;而结合了同背景域方法的异背景域虚拟样本生成方案,大幅度地提升了模型性能,进一步地揭示了两类虚拟样本生成方法的区别与关联。实验数据说明,本文提出的无人机虚拟样本生成方法,生成的虚拟样本扩充样本有效且可靠地解决了无人机识别模型性能差的问题,具有较好的鲁棒性。