无人机对地目标识别一直是无人机研究领域的热点问题,也是无人机自主能力的重要组成部分。侦察无人机在执行任务时往往会面临一些样本比较少的任务,传统的深度学习方法依赖于大量样本,在此类问题上的表现难以令人满意。本文围绕小样本条件下无人机对地目标识别问题开展研究。论文的主要研究内容和创新点如下:（1）针对无人机对地目标识别中的小样本问题进行分析与建模,构建侦察无人机小样本识别问题算法框架。深入分析小样本学习问题的误差来源,归纳出小样本学习问题的三种主流方法:基于数据增强的小样本学习方法,基于模型的小样本学习方法,基于搜索策略的小样本学习方法。构建了结合数据增强和元学习的小样本识别框架。该框架首先基于数据增强方法对样本进行扩充,之后利用基于搜索策略的元学习方法学习一组较好的参数初值,用于无人机小样本识别任务。（2）针对无人机小样本识别问题中目标特征提取困难的问题,构建了一种基于元学习和迁移学习的小样本识别方法。真实场景中目标较为复杂,需要更加复杂的网络才能提取出足够的特征,因此本文选择残差网络作为特征提取网络。由于元学习以任务为单位进行训练,在模型较复杂时训练效率会大幅降低,大样本中训练的效率往往比较高,本文引入迁移学习的思想,在大样本条件下进行预训练,之后将学到的特征提取参数迁移到小样本识别任务中来。实验表明,本模型仅需大样本深度学习模型样本数量的1/50的样本,即可达到与之相当的识别准确率,相比于改进前的小样本识别模型在训练效率和准确率方面都有提升。（3）针对复杂背景下目标混淆与遮挡的问题,提出了基于元学习和自注意力机制的小样本识别方法以及基于双层图神经网络的小样本识别方法。考虑到混淆和遮挡目标本身特征较少,引入自注意力机制学习样本部分与部分之间的关系,从而提取出更多的特征;通过引入双层图神经网络模型建立样本实例图和样本分布图,同时学习一种空间映射和距离度量方法,使得映射后的同类样本之间的距离更小,异类样本之间的距离更大,降低了样本的分类难度。在公开数据集和无人机实拍数据集中的实验表明,相比于大样本深度学习模型,本文模型只需要用1/10甚至1/50的样本数量,即可达到与之相当的识别准确率,相比于现有的小样本识别算法也有一定的优势。相比之下,双层图神经网络方法的准确度更高,而元学习方法具有更高的学习效率。