目标识别是计算机视觉与模式识别的一个分支,是人工智能学科的一个重要组成部分。目标识别方法分为数字图像处理法和基于卷积神经网络的目标识别法。传统的数字图像处理需要人工提取多重特征,如SIFT、HOG和LBP等,这些特征无法表达更抽象的目标类别信息。而基于卷积神经网络的目标识别可以像人类认知过程一样,可以完成对图像中的物体进行分类、分割和场景解释等抽象的任务。卷积神经网络在图像目标识别上有较大优势,多种不同结构的卷积网络的优异表现使其成为了计算机视觉研究的核心,无论是对该领域的广度研究还是深度研究,都值得去进一步探索。本文的核心研究目标是空中目标的识别,应用背景是对无人机飞行时前方遇到的空中障碍物目标进行识别。四旋翼无人机低空(10至100米)飞行时,会遇到多种影响飞行安全的目标,如树木枝叶、山峰山体、建筑物、其他飞行物等。这些空中目标与地面目标特征不同,在高空视角下目标识别没有专用的数据集,并且空中目标不可以使用地面拍摄的图像来进行训练。本文针对空中目标数据集的缺少的问题设计了空中目标数据集(Air Target Image dataset,ATI),该数据集使用无人机航拍采集素材,包含影响飞行安全的4类空中障碍物目标和两类其它目标。在此基础上,本文目标识别使用深度卷积神经网络,并提出了大目标识别卷积神经网络(Large Target Detect network,LTDnet),该网使用由五组卷积层加最大值池化层组成的特征提取网络;在识别阶段,本文提出的IOA(Intersection Over All)预测框评价单元,具有更高的运行效率。在上述研究成果基础上,本文采用机载Jetson TX2平台进行测试,测试结果表明,本文所提出的LTDnet网络在ATI数据集训练后,能够实时识别空中障碍物目标,且每秒识别31张图片,达到预期目的。