在空中作战对抗过程中,三维目标的姿态以及距离远近等因素在短时间内可能发生剧烈变化,对目标瞬时大机动时出现的所有姿态进行准确识别是保证实时精确打击的关键。目标的三维信息在机载、弹载成像设备中呈现的是视角连续变化的二维图像信息,因此掌握并利用目标的运动变化信息是展开三维目标识别的重要手段。而随着深度学习技术在各个领域的发展,尤其是具有高层特征信息提取能力的深度学习目标识别技术的突破,为进一步提高作战武器的自主化打击性能提供了契机。本文采用三维目标在机动变化时所呈现的二维视频图像序列,并结合该过程中目标的时空变化特性来开展三维信息的反向推演、感知,研究了基于深度学习方法及时空信息感知的三维目标识别技术,论文所展开的具体工作内容如下:首先,考虑图像采集设备获取的原始图像数据具有较高的冗余度,不利于目标有效信息的获取,提出了基于胶囊网络及自注意力机制的关键帧提取算法。从序列内部变化机制出发,挑选出序列中能够表征关键信息的帧组成关键帧序列,能在三维运动目标原始变化特性保持不变的条件下有效减少序列的冗余程度。其次,为了利用目标机动过程中的时空变化信息进行三维目标的识别,且考虑到时间信息与空间信息不同耦合程度对运动过程的理解差异,分别提出了基于时空松、紧耦合卷积神经网络的三维目标识别模型。时空松耦合模型分别提取目标的空间特征和时序特征并融合形成时空融合特征来进行三维运动目标的状态表达;而时空紧耦合模型将所有空间特征进行时序建模进而形成时空融合特征来完成目标的表征。在形成时空融合特征之后,为了进一步提高三维目标不同姿态的识别精度,引入了距离度量损失函数,有效增加三维目标所有姿态的聚合性。最后,本文选取八种不同类别的三维运动目标作为识别对象,分别展开时空松、紧耦合卷积神经网络的详细实验并进行了两者的对比分析。实验结果表明,本文提出的时空松、紧耦合卷积神经网络模型具有较强的三维运动目标识别能力,不同目标的相似姿态以及相同目标差异较大的姿态都能实现较为准确的识别。同时,测试过程中关键帧提取的可靠性以及模型计算的快速性也均得到较好的验证。