水库是水源地保护的重点区域,关系到广大居民的用水安全。按照相关规定,水源地水库禁止养殖、捕捞和倾倒垃圾等行为,并定期开展安全巡查。传统巡查方法为人工观察,十分耗费人力财力,无人机航空摄影技术的使用,可代替人工外业观测,但内业排查多采用人工判读方式,工作量巨大。随着人工智能技术的兴起,探索一种利用计算机视觉技术自动识别违法现象的方法,并开发实现相应工具软件,辅助水库违法现象识别与数据管理应用。论文中,首先提出一种改进YOLO V4的目标识别算法,用于检测无人机航拍影像中的水库区域违法现象,经过训练与测试,封装成模型;然后,设计并实现水库区域违法目标智能识别系统,调用模型,对水库区域违法目标进行识别与数据管理。主要研究内容如下:（1）提出改进的YOLO V4目标识别算法针对无人机影像目标检测中背景复杂度高、小目标检测效果差的问题,对YOLO V4算法进行了改进,首先,改进了网络结构,增强了中、小目标的特征信息提取,引入遮挡处理模块,解决了阴影遮挡、图像交叉、重叠等问题;其次,优化了训练方法,增强了模型的学习能力。使用改进后的YOLO V4算法实现水库特征的疑似违法行为的智能识别、提取,性能测试结果显示算法的Precision为93.2%,Recall为95.4%,m AP为91.3%,F1值为94.3%,均优于原YOLO V4算法,Time为1.86s,略低于原算法,这是由于改进后的网络结构更复杂导致的,但改进前后的检测时间仅相差0.32s,实际应用过程中影响不大,实验结果证实了改进的YOLO V4算法在复杂背景的小目标检测中可用性较好。（2）设计并实现水库区域违法目标的智能识别系统水库区域违法目标的智能识别系统主要使用C#+Dotspatial控件+深度学习技术研发实现,系统结构分为三层,由下自上分别是:数据层、图像处理层、数据应用层,主要功能包括路径配置、数据可视化、违法识别、分析、报表输出等功能。其中,违法识别是核心功能,该模块调用改进后的YOLO V4模型对船只、渔网、垃圾点等三类违法目标进行自动化识别,并计算违法目标的坐标位置,将结果写入JSON文件中,为报表生成提供数据源。因拼接后的水库影像过大,采用固定大小的格网（3625*2955像素）对整张影像切割,逐个分块快速识别,达到实用效果。本文改进了YOLO V4水库违法目标检测算法,并设计实现了水库区域违法目标智能识别系统,减少了人工参与,提高了工作效率,为水库安全管理提供技术保障。同时,也可以作为其他同类目标识别工作提供技术参考,具有较高的应用价值。