现代战争中无人化智能化装备日益增多,复杂环境下的军事目标自动识别及威胁度评估是其核心技术之一。本文重点针对复杂环境下的军事目标,结合目标特征提取、卷积神经网络、锚框选取和非极大值抑制等技术,开展了可见光军事目标图像的实时快速检测技术研究,在此基础上,主要采用模糊集分析理论进行了军事目标的威胁度评估。利用互联网搜集真实环境中的军事目标图像,通过分析复杂环境下军事目标的特征,参照PASCAL VOC数据集格式,手工标注军事目标图像,建立包含坦克、导弹发射车、士兵、军用汽车、战斗机、武装直升机、固定翼无人机、旋翼无人机、水面舰艇等军事目标的数据集Military-Data;在Military-Data数据集基础上,选取了检测速度快、精度高的Faster R-CNN算法作为军事目标检测基础算法,然后借鉴聚类思想改进了目标锚框的大小比例设置,减少了目标漏检、误检的发生,采用Soft-NMS代替NMS(非极大值抑制)提高了高检索率情况下的准确度,对Military-Data数据集中的目标训练得到神经网络检测参数,使目标总体识别精度达到92%,最后利用无人机采集现实场景中的坦克,验证了算法的准确性和泛化性,试验和实验室仿真结果一致;针对军事目标检测结果,选取目标类型、目标机动性、目标距离、目标攻击性四种因素作为威胁度计算因子,首先采用模糊集计算出各军事目标的属性,其次使用信息熵得到军事目标属性的权重,最后利用TOPSIS理论对目标威胁度进行排序,建立了假定场景下坦克,自行火炮,指挥车,步兵战车和防空导弹车的目标威胁度评估方法。以上研究实现了复杂环境下军事目标实时准确的检测与威胁度评估分析,可对未来智能化无人武器装备提供技术参考。