无人机图像识别技术作为计算机视觉领域一个重要的研究方向,无论在军用还是民用领域都具重要的研究意义和应用价值。无人机识别技术主要是将监测系统所拍摄得到的画面进行分析并加以处理,从中正确识别出无人机目标。本文主要研究了基于深度卷积神经网络模型的无人机识别算法的设计与实现,从而完成无人机图像分类与识别的任务。由于目前没有公开的无人机数据集,本文出于具体的研究需求,采集了6种常见无人机图像数据集,包含不同背景环境、不同飞行状态、不同尺度大小的3500张图像。其次,针对不同规模的数据集,设计两种无人机图像分类识别的方法。本文第三章设计并实现了基于CBAM-AlexNet网络的低空无人机识别方法,可以完成对3类无人机的分类识别。通过设计多组对比实验,根据实验效果设计出最优的无人机目标分类识别模型,再引入卷积注意力模块对特征图元素进行加强或抑制,引入批归一化层加速模型收敛,提升泛化能力。经实验验证,相比于其它神经网络模型具有识别率高、收敛速度快的优点。本文第四章设计并实现了基于SE-InceptionV2网络的无人机识别方法。首先将预处理后的无人机图像输入到文中模型进行训练,利用InceptionV2模型的特征提取能力,结合SE-Net模块增强有用特征通道,减弱无用通道,增强模型的特征学习能力,并引入批归一化层加速模型的收敛,在全连接层完成对6类常见无人机型号的分类识别。经实验验证,与其他模型对比,本文方法在识别准确率与执行效率上均有不同程度的提升,可以有效解决低空无人机分类识别问题。