对空中飞行器目标进行精准识别,是当代军事领域与计算机视觉领域共同面临的热点问题。准确并迅速地进行空中飞行器的敌我识别、类型识别以及趋势预测,为下一步决策提供重要依据,对于未来地面火控指挥作战系统效率的提高具有十分重要意义。近年来,以卷积神经网络为基础发展出的各类目标检测算法在实际中得到很好的应用,既在速度上满足实时性,又能取得令人满意效果。本文引入YOLO-v3目标检测网络,基于空中飞行器图像的准确识别问题进行研究,主要工作如下:1)针对跨尺度和跨空间特征融合不足的问题,本文优化了YOLO-v3的特征融合方式。采用特征金字塔转化器FPT作为检测网络的特征融合方式,该方式结合了Non-Local和FPN的优点,通过三个Transformer的设计,采用不同的运作方式对跨空间和跨尺度上的特征进行融合,从而实现了对上下文信息和不同尺度信息的有效利用,在一定程度上提升了YOLO-v3的检测性能,且时间性能与原网络差异不大;2)针对交并比函数重叠框选取不准确以及空中飞行器图像正负样本不平衡的问题,本文中对YOLO-v3中采用的损失函数进行了改进,采用广义交并比函数和Focal Loss相结合。考虑到空中飞行器图像识别目标小、背景复杂等特点,就损失函数而言,需要考虑坐标损失,分类损失以及置信度损失三种损失类型。广义交并比函数可以对边框损失具有一定的矫正作用,而Focal Loss可以降低模型对样本集中难分样本的比重,使得模型能够学习到更多有效特征,来缓解置信度损失和分类损失;3)实验结果及分析。本文设置实验,分别对聚类选取的先验框、FPT融合方式以及优化的损失函数进行了有效性验证。综合考虑了场景、光照等因素,构建了空中飞行器数据集,并进行了标注处理,得到检测模型进行学习时所需的训练集和测试集。为了提高网络收敛速度,在网络训练之前,采用K均值聚类算法选取先验框。网络训练时,运用迁移学习的思想,将DarkNet-53在COCO数据集上进行预训练,将其作为特征提取器。采用含有FPT的目标检测网络对空中飞行器进行检测,比原网络的平均精度提高约1.6个百分点,在此基础上,采用广义交并比和Focal Loss损失函数,平均精度可达到63.3%,比原网络提高了约2.3个百分点。本文引入YOLO-v3,优化了特征融合方式和损失函数。与原网络相比,本文改进的目标检测算法进行空中飞行器识别时的平均精度有所提高,时间性能也差异不大,具有一定的参考应用价值。