近些年来,随着神经网络的迅猛发展,目标识别技术也随之在精度和速度上都得到了快速提升,进而被广泛应用在灾难救援、军事打击、视频监控等领域。传统的线下目标识别通常是分阶段式处理的,即首先将获取到的影像拷贝至本地计算机,然后再将目标进行识别,最后把识别到的目标发送给需要的用户。这种方式已经不满足当下的发展,尤其是军事打击和嫌疑追踪这种识别精度和实时性要求高的领域。随着无人机载重的提升、嵌入式设备的更新,目前急需用新兴技术满足当前对实时目标识别的需求。本研究采用了大疆M600Pro无人机作为目标识别系统的机载平台,影像的获取、目标的识别都在该平台上进行,然后基于Netty框架开发出一款跨平台的用于数据结果传输的模块,最后集成上述所有软硬件及子系统,研发出一款流程化、操作简单的可视化无人机实时目标识别系统。针对上述目标,本研究主要的研究内容如下:（1）为得到精确率高、识别速度快的识别结果,本研究以YOLOv4目标识别算法为研究对象,针对该算法在高性能设备上表现良好,而在嵌入式设备上识别精度下降、速度变慢的现象,本研究基于K-Means算法和Tensor RT推理器实现了对YOLOv4算法的优化。（2）由于嵌入式设备和地面端设备的平台不一致,所以需要研发一款适用于跨平台的传输模块。为保证传输的可靠性、安全性,该模块基于Netty框架实现,用TCP协议进行构造,保证系统客户端与服务端的高效通信。（3）基于（1）、（2）以及相关硬件平台,用Java编程语言、Spring框架和Angular框架设计并实现一款无人机实时目标识别系统。该系统集成了影像获取、目标识别、结果传输、结果展示与用户控制等功能;另外,多个无人机影像处理客户端都可以同时适用于该系统,多用户也可同时直接通过IP地址登录并实现远程控制。通过对无人机、嵌入式进行硬件开发,该研究完成了上述系统,并通过实验验证了系统的流程化目标识别效果。此外,本研究不仅致力于基于无人机上的实时目标识别系统化研究,优化后的YOLOv4算法还可以检测出原算法未检测的目标,且实现的系统化流程可以广泛应用于其他无人机应用领域。因此,本研究在无人机实时目标识别上具有一定的参考和应用价值。