目前,基于深度学习的民用目标识别技术已经比较完善,但由于军事系统的安全性、保密性要求以及军事目标的复杂性,地面军事目标武器装备种类的识别,目前还是该领域中的重点。由于目前装备的现代化升级,在作战以及演练中,通过部署在各型号装备上的不同图像采集设备,可以获取到不同场景,不同时间下的大量图像,如何将采集到的大量图像进行快速、高效的自动识别,在未来军事演习以及战场环境下的侦察活动具有十分重要的战术意义,而最近几年,深度学习技术发展迅猛,使得根据采集图像对地面军事目标的种类识别成为可能。本文提出了一种基于深度学习的地面军事目标识别算法--IRSE算法,该算法通过对原有卷积神经网络模型以及对权重优化算法的改进实现。而为了完成网络结构的优化,参考了几种目前比较常用于目标识别任务的网络模型,如Inception V1、Inception V2、ResNet、VGGNet并以Inception V2为基础网络模型,通过在基础网络结构后添加SE模块,对经过卷积层特征提取后的图像特征进行权重重新分配,以及添加残差网络模块学习网络的特征差值,以减小网络的整体参数,并使用Adabound算法替代SGD作为本文的权重优化算法。实验首先使用ImageNet数据集进行迁移学习,预训练网络结构,后在私有数据集上测试。结果表明,与几种目前常用的目标识别网络模型如VGG、Inception V1、Inception V2相比,在私有地面军事目标数据集上,改进后的网络模块更适用于目标分类任务,使用该网络模型,对比优化前的相同网络模型识别精度提高了1.5%,网络收敛的迭代次数降低了10%。