基于无人机视觉的目标识别有方便检测、机动性强的特点,深度学习的发展使得目标识别有突破性进展,深度学习和无人机视觉相结合的目标识别技术有远大的发展前景。本文主要研究基于深度学习的无人机图像目标识别技术,为了提升无人机图像目标识别的精度和速度,围绕无人机平台下的多目标识别、小目标识别问题和实时识别需求三个研究重点开展了一系列工作,主要包括:基于优化的训练策略和合适的基础网络,实现无人机图像的多目标识别。分析目标识别算法原理后,建立无人机航拍数据集,进行标注转换和图像预处理,采用K-means++聚类算法设计数据集的先验锚框。提出学习率余弦退火策略、mosaic数据增强方式和标签平滑方法来改进训练,采用改进的训练策略和YOLO基础网络来实现无人机多目标识别模型。优化的训练策略使得对测试集的目标识别m AP提高了1.1%。针对无人机图像的小目标识别问题,改进YOLO的网络结构来提高识别准确度。在网络检测结构部分,扩大了网络输入尺寸,在4倍下采样处增加检测层,提出自适应空间特征融合策略,采用DIo U NMS改善遮挡情况的识别,提出类滑窗识别策略。在损失函数部分,应用CIo U损失函数使定位更精准,应用聚焦损失函数来平衡正负样本比例。综合改进网络结构后对6类目标的识别m AP提高了11.3%,达到63.7%,其中行人小目标的平均精确率上升13.3%,摩托车小目标的平均精确率上升12.4%。针对无人机平台下的实时识别要求,提出用通道剪枝法进行模型压缩。在网络的批次标准化层损失函数中增加缩放因子的L1正则项实现稀疏化训练,然后以缩放因子作为待剪枝通道的选择标准,采用保守剪枝和全网络剪枝去除冗余,最后采用知识蒸馏策略进行微调。最优通道剪枝网络模型的计算量减少26.4BFLOPs,前向推理时间减少了3.4ms,识别速度提高了6FPS达到33FPS。因此实现了m AP为63.7%、识别速度为33FPS的优于其他基础网络的无人机图像多目标识别网络模型。