当今世界,随着人工智能的发展,各种各样的智能化武器不断涌现并被应用到战场,传统的战争模式也逐渐转向现代化、智能化战争模式。智能武器的使用大大的提高了作战效能。在智能武器的使用中要求其能够针对特定目标进行有效打击,因此如何使得各种智能武器能够像人类大脑一样自动识别各种军事目标成为需要解决的首要问题,本文针对几种常见的军事目标,基于当前最流行的深度学习方法,采用改进后的YOLOv3目标检测算法对常见的几种军事目标进行了智能识别研究。本文在介绍CNN网络组成结构与工作原理的基础上,分析两大类目标检测算法中的典型算法。随后在深入分析当前深度学习算法中使用的NMS算法缺陷基础上,针对置信度直接置零的缺陷,创造性的提出了分段线性衰减函数调整置信度的改进措施,而针贪心方式筛选的缺陷,则创造性的采用面积比较法与重叠区域长度判断法对传统的NMS算法进行了优化,得到了改进后的NMS算法,并通过实验进行了验证,结果表明,改进后的NMS算法的性能得到了提高。针对当前还没有公开的军事目标数据集,本文自行构建了用于常见军事目标检测的数据集。构建完成军事目标数据集后,通过配置好的系统,在军事目标数据集上训练了YOLOv3网络模型,并在两种测试集上进行了检测实验,实验结果表明,本文中提出的对YOLOv3算法的优化改进能够更好的实现对军事目标的检测。