随着深度学习技术的蓬勃发展,目标识别技术在民用和军事领域中发挥着越来越关键的作用。本文主要研究无人机载热红外图像中行人及车辆识别方法,主要工作反映如下:（1）无人机载热红外图像行人及车辆数据集构建。通常为了训练一个深度神经网络模型,需要大量的数据样本。然而,目前极少有公开可用的针对无人机视角下行人及车辆的热红外数据集。因此,本文采用大疆无人机DJIM600 PRO搭载FLIR热红外相机Vue Pro采集图像数据,结合图像标注工具,制作了无人机载热红外图像行人及车辆数据集,方便相关技术的进一步研究。目前该数据集已在网上开源,实验结果表明,该数据集能较好地完成图像显著性检测及目标识别任务。（2）基于显著图融合的热红外图像增强方法研究。相比于可见光图像,热红外图像有着对比度低、纹理特征弱等缺点。目前,大量的研究工作致力于构建可见光图像与热红外图像的融合,但是可见光-热红外图像对并不总是可用的,因为它们同时成像的成本很高,而且数据处理前还需要图像配准准确。因此,本文提出基于显著图融合的热红外图像增强方法。首先通过对边界具有较强感知能力的深度神经网络BASNet提取热红外图像显著图,然后设计使用图像通道替换和像素级加权融合两种方案实现原始热红外图像与其显著图的融合增强操作。实验结果表明,该方法在对热红外图像中背景区域及噪声进行抑制的同时,突出了图像中行人与车辆等显著性目标,有助于提高后续目标识别的精度。（3）基于YOLOv3网络的行人及车辆目标识别改进方法研究。基于YOLOv3目标识别网络模型,以轻量化网络Mobile Netv2替换原有的特征提取网络Dark Net53,在大量减少网络参数的同时显著提升运行速度。此外,使用Focal Loss改进YOLOv3原有的置信度损失函数,解决正负样本不均衡问题,使得网络专注于困难样本的计算。使用CIo U改进YOLOv3原有的边界框损失函数,加快模型训练。改进后的模型在平均精确度、模型尺寸和检测速度方面取得了很好的平衡。实验结果表明,行人及车辆的平均精确度（Average Precision,AP）相对于基准算法分别提升了6.7%和5.7%,同时检测速度提升了60%,模型大小降低了58%。该算法模型为开拓无人机载热红外图像的应用领域提供了可靠的技术支撑。