在现代战场环境中,敌方目标探测和识别一直是一个非常重要的问题。传统目标识别方案主要依靠雷达系统、毫米波、激光等手段区分敌我目标,容易受电磁干扰影响且成本较高。近年来,随着深度学习理论的日趋成熟,各种基于深度学习的应用在各个不同领域层出不穷。卷积神经网络作为目前计算机视觉领域最有效的手段之一,在物体分类、图像分割等问题中都有非常广泛的应用。为此,本文开展了一系列基于深度学习的飞行器图像识别算法研究。本文基于TensorFlow研究飞行器识别的卷积神经网络及其算法。文中算法无需将目标物体从背景中分离出来,而将飞行器的目标识别任务分成两个部分:候选区域生成和飞行器分类。对于候选区域生成问题,借鉴faster-rcnn的思路提出并构建一个候选区域提取网络。该网络通过对各幅图像批量生成候选框,并对候选框先用卷积神经网络优化区域位置和尺寸得到分类概率,再生成代价函数后通过反向求导优化网络参数。另外,文中基于层次聚类提出一种候选区域筛选算法,通过预先筛选候选区域大幅降低测试运行时间。在飞行器分类方面,提取几类常见的飞行器目标,基于AlexNet设计图像分类网络,且将原网络中的池化层用金字塔池化层替代,解决数据集中图像大小不一的问题;并使用迁移学习的方法解决有标签样本稀缺的情况下网络训练困难的问题;通过数据增强、批归一化等措施进一步改善分类效果。最后,文中进行基于深度学习的飞行器目标识别网络训练和实验验证研究。文中从网络中获取了 ImageNet图像数据库中5类飞行器图像,对各类图像分别做图像及候选区域标注,并通过图像翻转和图像对比度变换等措施进行数据增强,进而获得实验所需的训练集和测试集。实验测试结果表明采用文中算法生成的候选区域基本符合实际情况,并使得飞行器的分类准确率达到90%以上,且运行速度相对于传统算法有较大提升。