在空对地的红外面目标识别中,由于空对地的视场较大,地面目标种类太多,地面目标太小,背景复杂,其次红外面目标图像的纹理不明显,细节不突出,特征可供提取的太少,而且还会受到噪声干扰导致传统的红外面目标的识别算法识别率不高,以及由于要处理大量的数据信息和运算,传统的红外面目标的识别算法无法达到人们对它实时性的要求。随着人工智能在图像处理领域中的应用日益成熟,深度学习依托大数据集训练更深层次、更复杂、更高效的网络的方式,在红外面目标的特征提取方面表现出了很好的性能,通过深层网络可以获取图像更加低维的特征信息,从而解决了传统算法需要人工设计特征的难题,也使红外面目标的识别工作在满足高识别率的同时,也满足实时性的要求。本文使用的数据集是通过无人机载的光电探测系统采集到的,并且经过进行随机裁剪、扩充、图像增强等处理。针对空对地的红外面目标识别中,传统算法识别率不高,实时性差的问题,提出了一种基于YOLOv3网络模型的深度学习算法,以网络结构-darknet53作为空对地的红外面目标进行特征提取器,引入新提出来的一种注意力机制-空间注意力,训练网络模型,完成对红外面目标的识别,通过评价指标与仿真结果发现可以满足空对地的红外面目标识别算法的高识别率、实时性好的要求。改进的YOLOv3网络模型可以在满足实时性的前提下,进一步改善空对地的红外面目标的识别率。