随着社会经济的发展,我们国家在航空领域也得到了进一步的突破,飞行器的种类和数量都在不断增长,导致我国的许多空域出现了一种接近饱和的状态。结合现状存在的问题,研究空中各种可能出现的碰撞情景,制定避险方案。在其中,无人机自主完成对飞行目标的识别占有重要比重。这段时间以来,因为社会的飞速发展,深度学习理念也已经进入了新的阶段,所以在很多场景中我们都可以看到深度学习的影子。对于本文来讲,对于卷积神经网络应用在飞行器图像识别上的研究是必不可少的。飞行器目标识别近年来也使用了深度学习进行了一些初步的尝试。本文在TensorFlow学习框架的基础上研究飞行器识别方法。将飞行器识别分为两大板块来重点研究,候选区域生成算法和图像分类算法。首先,介绍了贯穿全文的基本理论算法卷积神经网络,介绍了它的各个层次的构造、作用和优势,并选取本文所用到的深度学习框架。其次,对候选区域生成算法进行结构的介绍和分析所用到的几类算法,并得出该类算法的优缺性。候选区域生成算法借鉴faster R-CNN算法思路,提出了改进的候选区域生成算法。然后,介绍图像分类的几种算法。并且以AlexNet网络为基础进行网络上的改进,并结合概率神经网络得出准确率更高的新模型,并使用数据增强的方式来解决数据短缺等问题。最后,将得到的两种算法进行合并处理,并加入感兴趣池化层来进行调节输出特征层尺寸。经过对比仿真验证了此算法的可行性,且仿真测试显示飞行器的分类准确性达到了90%以上,并为飞行器目标识别的发展,提供了一种新的思路。