近年来,微小型固定翼无人机技术飞速发展,在民用和军用领域的应用均取得了丰硕的研究成果,前景十分广阔。在各类应用中,人们力图让无人机拥有机载智能,使其能够更加自主和高效地辅助或代替人来完成指定任务。其中如何在无人干预的情况下快速自主地感知任务环境是微小型无人机智能化应用的基础问题。机载视觉感知系统是微小型无人机的“眼睛”和“大脑”的综合系统。它能够直接获取外界环境数据,并从中提炼出针对无人机任务的高层有效信息,是微小型无人机完成各项任务的必要环节,更是无人机智能水平的综合体现。微小型无人机负载能力较弱,可携带的资源十分有限。要实现快速的机载感知对系统的集成性提出了较高要求。本文针对野外环境下无人机对地面目标的准确检测、识别、定位等感知应用需求,在微小型无人机负载能力极其有限的条件下,构建轻量级的机载感知硬件系统,设计实时在线的地面目标检测识别算法,围绕软硬件架构及算法展开对机载感知系统的优化研究。其中,选用可见光摄像机作为感知外界环境的主要传感器,以机载处理器为运算平台,采用机器学习、滤波、优化等技术,实时从图像中检测识别出目标的准确图像位置,用于最终的目标空间位置估计。本文的主要工作以及创新点总结如下:(1)一种轻量级机载视觉感知系统的软硬件架构设计针对微型无人机在负载、功耗以及体积等方面的缺陷对感知系统的软硬件的限制,设计了轻量级的机载感知软硬件系统。在硬件架构方面,以低功耗的嵌入式处理器作为机载感知系统的处理核心,采用重量轻、体积小、信息丰富的机载可见光摄像机感知周围环境。除此之外,在不过多增加负载及功耗的前提下,为了增强系统的运算能力,引进神经计算芯片,扩展感知系统硬件架构,大幅度提高了深度学习计算速度。在软件架构方面,设计轻量级的检测-跟踪-定位的感知功能系统,采用显著性区域提取方法加卷积神经网络对图像目标进行实时精确的检测识别方法,并结合滤波、优化等方法实现目标的精确空间定位。总体来说,整个感知软硬件系统体量轻小、成本低廉、功耗低、运算资源消耗少但功能强大,完全符合微小型无人机的应用要求。(2)一种机载目标检测的样本优化方法固定翼无人机飞行数据采集实验开展难度大,情况复杂,采集到的图像数据容易出现数据内容不平衡的现象,这样制作出的训练数据会影响卷积神经网络的训练效果,对目标检测算法带来性能损失,对于有限机载资源下的感知任务是极大的性能浪费。对于训练数据不平衡的问题,本文对卷积神经网络的训练样本结构进行优化研究,从样本结构优化层面提升卷积神经网络的目标识别准确率。样本优化的方法能在不增加算法运算量及机载处理器负载的前提下,最大程度地发挥机载对地目标检测识别算法的性能。根据飞行实验数据采集情况的不同,设计了两种思路对样本进行优化处理:在飞行数据内容较少情况下,使用数量平衡策略,依据时间挑拣视频样本以及并通过目标种类上的数量平衡处理进行样本优化。在飞行数据内容逐渐丰富的情况下,使用过程平衡的方式进行样本优化,使用因素组合的方式挑拣飞行视频内容,并通过分析目标在不同光照的不同角度朝向分布,对无人机对地目标盘旋飞行数据进行角度平衡的处理。通过两种策略得到优化的训练样本能够在训练中得到更好的网络权重,提升机载检测识别算法的准确性。(3)一种机载目标检测的类脑计算架构拓展优化方法考虑到样本优化方案对目标识别精度提升的有限性,通过增加卷积神经网络层数、优化卷积核分布,实现地面目标识别准确率的进一步提升,并通过神经计算芯片硬件架构拓展的方式加速深层卷积神经网络的计算,弥补引入深层网络带来的实时性下降。首先为目标检测算法框架引入CaffeNet神经网络,大幅度提高了识别精确性。然而该网络即使在扩展的硬件架构上运行依然无法满足实时性要求。因此,针对机载图像中目标的尺寸及成像特点,重新定义网络的输入尺寸,裁剪、优化后续卷积层的卷积核分布,在不明显降低识别准确率的前提下,降低网络的运算量,从而提高网络运行的实时性,达到了感知功能系统对目标检测识别模块实时性的要求。与原目标检测架构相比,在满足实时性的需求情况下提高了检测准确率。