与传统的图像处理识别技术相比,基于深度学习的目标识别技术,具有更为强大的适应性,并已在多个领域取得了较好的识别效果。在军事领域,由于存在地面战场环境复杂性和目标人为伪装等因素的影响,以及存在很多需要对较远目标识别的情况,而这些目标在识别过程中由于距离因素导致图像目标尺寸变得很小,增加了目标识别的难度。本文建立了基于YOLOv5的坦克装甲车辆目标检测技术,并针对上述问题进行了相关研究,主要工作如下。（1）针对当前目标检测中对小目标和相互遮挡而产生的目标物体图像特征不充分、不完善的问题,提出了一种基于注意力机制的YOLOv5改进算法。实验分析发现CBAM注意力机制模块优于CA注意力机制模块,利用CBAM注意力机制提高了各个目标特征在通道和空间上的联系,更有利于完善提取目标的有效特征,进而有效解决小目标及具有相互重叠的凝聚目标的识别问题;（2）针对当前目标检测中如何在保证高检测精度的情况下实现快速检测的问题,提出了一种基于网络模型轻量化的YOLOv5改进算法。首先通过Mosaic数据增强、HSV颜色空间扩增技术,丰富样本,缩短训练时间。其次,进行多次实验获得最佳网络深度和宽度,最后应用Tensor RT加速部署,实现检测速度倍增;（3）制作坦克装甲车辆数据集。针对当前缺乏专门的坦克装甲车辆图片数据库的问题,独立制作了有9028张图片、含11000多个坦克装甲车辆目标的数据集。数据集包含各类复杂的场景（如山川、荒漠、森林、大雾、大雪等极端条件）,多尺度、各种形态坦克装甲车辆图片,极大地增强了算法的鲁棒性。重点研究了YOLOv5算法的原理与实现过程,并在Ubuntu18.04系统上用Py Torch框架搭建了YOLOv5算法实现环境;（4）人机交互界面的开发。针对当前目标检测主要在命令行窗口下进行的问题,设计、开发出了基于Web Flask的网页版人机交互界面,实现了对图像目标检测的可视化操作,同时可实现多个终端不受限制访问;（5）算法鲁棒性的验证。根据现有数据集,设计了亮度实验、遮挡实验、旋转实验、拉伸实验和噪点实验,验证了算法的鲁棒性。结合自建坦克装甲车辆数据集训练并测试了基于YOLOv5的坦克装甲车辆目标检测模型,检测准确率可达96.6%,m AP可达97.7%,FPS最高可达200。同时给出了开发算法解决模糊图像的漏检和特征相似、特征不明显目标的错检问题的途径。图59幅,表18个,参考文献44篇。