随着各类小型无人机在民用及军事领域的广泛应用,由其带来的各种威胁和挑战也接踵而至。因此对低空区域中小型无人机的有效探测与识别成为目标识别领域研究的热点之一。小型无人机具有体积小和飞行环境复杂等特点,对于此类低空慢速弱小目标,传统技术手段难以探测,更不能对其进行准确识别与定位。稀疏孔径光学成像系统采用多孔径结构设计,不仅可以使光学成像系统的体积和重量减小,而且可以使其达到高分辨率成像的效果。将稀疏孔径光学成像系统应用于无人机此类低空慢速弱小目标的探测并与深度学习目标检测算法相结合,具有探测系统体积小、成像距离远、高分辨成像及能够快速准确识别与定位目标等特点,在地对空高分辨成像探测领域有着巨大的应用前景。本文针对稀疏孔径成像后的弱小目标识别技术展开研究,主要研究内容如下:（1）对典型稀疏孔径阵列的MTF进行了仿真实验,分析了稀疏孔径系统的成像特性。构建了稀疏孔径成像退化模型,并对典型稀疏孔径阵列进行了仿真模拟成像验证。分别用维纳滤波、Richardson-Lucy及约束最小二乘方滤波算法对环型稀疏七孔径图像进行了图像复原预处理实验。根据图像预处理实验的主观和客观评价结果可知,Richardson-Lucy算法对环型稀疏七孔径图像数据有较好的图像复原效果。（2）对稀疏孔径成像目标和低空慢速弱小目标的特性进行了分析,研究了基于稀疏孔径成像的弱小目标识别技术的关键问题。通过分析目前典型的目标识别算法,综合考虑目标识别的准确度和识别速率,选择了单阶段目标检测的YOLOv5算法作为本文稀疏孔径成像的弱小目标识别算法。针对稀疏孔径成像的弱小目标特性,采用数据增强算法Mosaic-9、4倍特征提取器、CBAM注意力模块及EIo U边界框损失函数等四种方法对YOLOv5算法进行了针对性改进。（3）搭建了环型稀疏七孔径成像系统对低空慢速飞行的小型无人机进行了成像采集实验。利用Richardson-Lucy图像复原算法对采集的图像数据进行了预处理,然后对处理后的图像数据进行了目标的标注,制作了稀疏孔径图像数据集SA-UAV。对原YOLOv5算法、四种改进策略的YOLOv5算法及改进的全融合YOLOv5算法进行了训练对比实验。根据实验结果可知,改进后的YOLOv5算法m AP值达到了97.7%,比原算法提高了8.3%,在稀疏孔径成像视频中的目标识别速率达到了平均每张17ms,表明改进后的目标识别算法针对稀疏孔径成像的弱小目标可同时兼顾识别准确率和识别速率。