目的——在军事领域中,对军用目标进行自动识别一直是急需解决地问题,如何在大规模图像数据集或者视频大数据中实现军用飞机的快速、精准的定位和识别,从而提高军用系统的作战能力,这具有非常重要的意义。得益于人工智能的发展,特别是以深度学习算法为基础的目标识别和检测技术的进步,使得以智能化的方式进行自动化军用飞机目标的识别和检测成为了可能。为此,本文将采用深度学习方法来完成军用飞机目标识别和检测。方法——在军用飞机图像识别阶段,提出了使用卷积神经网络的方式来提取其特征,并判断对应的机种型号。通过搭建一个深度合适的卷积神经网络,并使用数据增强方式解决数据集过小的问题;同时,为进一步提高卷积神经网络模型的识别准确率,对模型进行一系列优化操作;此外,使用验证集和测试集来评估识别模型能力。在军用飞机目标检测阶段,使用Inception V2卷积神经网络作为特征提取器,结合SSD(Single Shot MultiBox Detector)和Faster R-CNN算法来训练军用飞机目标检测模型,并对训练结果进行对照。在检测过程中使用数据增强方式来扩增图像数据集,并采用迁移学习方法对目标检测模型进行微调。最后,对训练、验证及测试的结果进行展示和分析。实验阶段选用深度学习框架TensorFlow来完成相关实验。研究结果——在军用飞机图像识别阶段,对比不同深度的识别模型训练结果,得出14层网络训练的效果较好。为提高模型的识别准确率,在卷积神经网络中加入了批量归一化层。此外,使用级联整流线性单元的方法来优化卷积神经网络,其可以进一步提高模型的识别准确率。在军用飞机目标检测阶段,对比Faster RCNN和SSD目标检测算法的训练结果,得出SSD算法更适用于军用飞机目标检测;在对目标检测模型测试时,使用图像和视频两种数据流进行测试,得出SSD算法对小目标的检测效果较好。研究的局限性——采用卷积神经网路对军用飞机目标进行特征学习方面还处于较浅显的层次,因模型对同一种类的飞机目标在细节处的特征学习还不足,对该过程还有待研究和扩展。实际影响——相对于传统方法来说,将深度学习应用到军用飞机图像识别和检测中,不仅可以提高识别和检测精度,还能简化对应的识别和检测流程,获得较优的模型。此外,未来若将其应用于国家领空防御事业当中,比如借助计算机进行模型训练,通过信号辅助加之模型识别的方式可以帮助战斗人员更准确地进行敌机侦察、敌机类型识别等防御工作。独创性——提出了使用深度学习方法对军用飞机进行检测和识别,弥补了传统方法在对军用飞机识别和检测时过程繁琐且精度不高的缺陷。使用卷积神经网络来提取和学习图像中军用飞机特征;SSD目标检测算法适用于军用飞机目标检测,能够准确地定位出视频中运动状态下和静态图像中的军用飞机位置,同时能较为准确地识别军用飞机类型。