小目标识别技术在安防、医疗图像分析、自动驾驶等领域有着非常重要的应用价值，因此精确识别小目标对于分析各类图像数据具有重要的理论和实际意义。近几年来，基于深度学习的目标识别算法取得了很大的突破，然而小目标识别在深度学习领域基本上还是研究较少的问题，目前大多数的识别网络也都不适用于小目标的识别。由于小目标尺寸较小，较深的网络无法直接用于小目标识别，较浅的网络又丧失了优秀的性能。因此，针对以上问题，论文开展了基于深度学习的小目标超分辨率重建算法以及后续的小目标识别算法研究。
　　针对小目标数据集难以获得的问题，在公开的DOTA数据集以及实际采集的无人机数据集的基础上，通过人工数据标注以及数据预处理的方式，分别构建了用于超分辨率重建任务以及小目标识别任务的数据集，为论文的研究提供了充分的数据基础。
　　针对小目标分辨率低、信息量少、图像质量差的问题，提出了一种基于改进生成对抗网络的图像超分辨率重建算法(VDSRGAN)，新算法一方面引入了残差学习的思想，摒弃了SRGAN中直接学习超分辨率图像的思路，转而学习超分辨率图像和低分辨率图像之间的残差，缓解了SRGAN结构训练困难的问题；另一方面，新算法增加了额外的特征层，帮助生成器恢复更清晰、细节信息更丰富的超分辨率图像。大量的对比实验结果表明，新算法无论在客观评价指标层面，还是在图像的视觉质量层面，都获得了较好的超分辨率重建结果。
　　针对识别器在小目标识别问题上性能差的问题，在VDSRGAN的基础上，提出了一种集成了小目标超分辨率重建与小目标识别的多任务深度网络(M-SRRENet)，为了更好地指导M-SRRENet的网络训练并且提升M-SRRENet对于小目标的识别性能，进一步提出了一种新的损失函数MTG-Loss，并采用粒子群算法(PSO )对MTG-Loss中的权重系数进行了寻优，由此来获得在解空间范围里最优的权重系数值。大量的对比实验及消融实验结果表明，新算法提高了不同类型小目标的识别性能。从理论上分析，新算法也同样适用于实验数据集未包括的其它类型小目标的识别任务。