无人机作为新兴的作战平台,随着自主导航、控制技术的逐渐发展成熟,其在侦察、监视、通信中继、电子对抗、火力制导、战果评估和早期预警等诸多军事领域扮演着越来越重要的角色。无人机在任务执行中具有质量小、体积小、承受过载能力强等特点,与有人机相比具有突出的优势。此外,采用无人机执行侦查、监视等任务具有更加灵活、不受限于地理位置等特点。因此,开展基于无人机编队的目标识别与定位方法研究对高效、安全完成侦查监视任务具有重要意义。本文以无人机作战编队为研究对象,以目标检测识别准确率、定位精度为性能指标,开展自主目标侦察定位问题研究,分别基于神经网络技术、信息融合技术与进行自主检测识别系统设计,基于非线性多模型滤波方法进行目标定位跟踪系统设计,在任务环境下分别对目标检测识别定位模块进行测试评估。首先,系统调研国内外对无人机遥感图像中目标检测、识别问题与非线性滤波方法的相关研究与发展现状,分析目标识别定位问题的研究现状,总结其任务背景、技术路径及意义。其次,研究无人机遥感图像目标检测问题,研究了卷积神经网络目标检测器的基本结构与经典网络YOLO。考虑到无人机遥感图像中目标尺寸较小、分辨率低、信噪比低且数据集不同类别间样本不平衡的问题,给出了针对性的损失函数改进方法。此外,为了有效模拟作战环境并降低数据采集成本,搭建了基于建模渲染引擎的数字仿真环境。仿真实验结果表明,改进后的网络结构与原始网络相比,在低分辨率小目标情况下拥有更高的精度,能够满足任务需求。然后,研究无人机遥感图像中低分辨率目标识别与无人机编队联合识别问题,分析了两个经典神经网络分类器结构特点并针对低分辨率情况进行相应改进。考虑到单架次无人机获得信息有限,结果精度受信息量限制无法进一步提高,将单机分类特征向量经过主成分分析方法压缩,以此为数据源,给出了基于循环神经网络的数据融合分类器,并在公开数据集与本文自建数据集中完成了迁移学习与性能评估,证明了本文提出的神经网络分类器在单无人机与无人机集群情况下均拥有足够的精度。最后,基于对容积卡尔曼滤波算法的交互式多模型结构深度研究,并在此基础上提出了变维参数自适应改进方法。针对单模型无法对运动样式改变迅速的海面运动,并且容积卡尔曼滤波对非线性具有良好的近似精度,给出了基于容积卡尔曼的交互式多模型算法递推方程,并搭建了滤波器进行数学仿真,证明了交互式多模型算法对海面机动目标的定位的有效性。在此基础上,研究了变维参数自适应多模型算法,进一步提高定位精度。仿真实验表明,上述应用的算法相对于传统IMM方法可有效对海面机动目标进行定位,并提高了定位精度。