随着小型无人机在军事及民用技术领域广泛使用,小型无人机带来的战场威胁及在民用领域带来的负面影响逐渐显现,伴随产生的针对小型无人机的反无人机系统和低空区域防务系统的目标探测与识别技术成为目标识别领域研究热点之一。本文依托西安市科技计划项目,针对低空识别与预警小型无人机目标应用需求,开展基于深度学习算法的小目标无人机识别技术以及基于嵌入式平台的算法集成技术研究,主要研究内容如下:1)深度学习网络结构分析与目标识别数据集构建。研究了常用的深度学习框架,结合目标识别算法特性与评估指标需要,完成了深度学习框架的选择。通过分析小型无人机的运动场景,研究无人机图像成像质量、图像多样性和训练模型的关系,并结合低小慢目标识别面临的技术问题,完成了小型无人机深度学习网络训练、测试及验证数据集的构建。2)基于YOLOv3网络的小型无人机目标识别方法研究。通过对比分析单阶段深度学习算法模型,提出了解决无人机运动背景多样性、飞行目标尺寸小等目标识别与定位困难问题的方法。针对多目标识别时因为背景复杂,样本数量小导致的数据不均衡问题,采用SMOTE算法优化数据集,改进了 YOLOv3模型性能。测试结果表明,优化之后YOLOv3模型的准确率、召回率以及平均准确率均值等参数均取得较大幅度提高。3)基于嵌入式平台的深度学习目标识别技术研究。利用NVIDIA Jetson TX2硬件平台,完成算法移植工作,解决实际生活中对无人机目标监管实时性较差的问题。以NVIDIA Jetson TX2嵌入式平台的软件架构为基础,搭建了小型无人机目标识别系统运行环境,根据算法配置流程,依次配置了 TensorFlow框架,编译了 YOLOv3算法,对TensorRT技术进行分析,提高系统推理速度。通过实验验证,本论文构建的小型无人机目标识别定位系统完成了系统小型化设计,达到了提高复杂背景下目标定位精度和识别精度的预期目标,对反无人机系统实时监测管理工程意义重大。