目标识别的关键问题是如何获得数据的一个好的描述,即特征提取。传统特征提取方法在复杂大数据环境下面临诸多困难与局限,一方面传统特征提取方式需要研究者拥有专业背景知识和处理数据技巧,同时特征提取步骤复杂。然而,深度学习可以从大数据中自动学习特征的表示,不需要设计者具有很强的先验性知识,同时将传统的数据预处理、特征提取、分类器设计等步骤采用端到端的方式自适应优化处理,便于深度网络任务的部署和应用。本文基于深度学习理论,面向目标识别任务主要研究内容及成果如下:1、设计了一种基于深度多感知兴趣区域特征融合的图像识别方法。本方法首先设计了单个分类模型,通过对单个分类模型进行热力图可视化以及特征可视化,得到不同的网络模型所关联的特征区域不一样的结论,在此基础上设计多个模型融合机制,将不同模型的特征进行融合,得到两种新的融合网络模型MVF(Multi View Fusion)与MVF-tiny(Multi View Fusion-tiny)以及一种新的网络模型融合方法Voted Model。从实验结果可以得出本方法在测试数据相比单个模型分类准确率提升明显,证明了本文方法的有效性。2、设计了一种基于一维卷积建模的信号编码调制识别方法。本方法结合一维卷积权值共享、多尺度感受野的特点,针对信号细粒度分类问题,设计了一维卷积模型用于通信编码调制信号分类。通过实验证明不同调制方式之间区分度比较明显,但是同一种调制方式的不同频段信号容易形成错分的结论。最后为了适应无线电分类实时性,以及嵌入式系统对模型部署轻量化的要求,本文设计了一维轻量化网络,在保证模型准确率的同时,降低模型运算时间。3、设计了一种基于深度学习时序建模的信号编码调制识别方法。为了挖掘编码调制信号序列之间的相关性,本方法基于时序神经网络对信号进行建模;首先通过一维卷积降低参数空间维度,其次,在一维卷积后构建时序网络挖掘信号时序特征。实验证明,本方法设计的网络模型准确率与一维卷积模型相近,证明了构造的时序网络模型对信号编码调制识别的有效性。