基于多尺度特征融合的无人机目标识别算法研究
电子技术应用
刘方，陈文瑞，沙峥瑜
中国船舶集团有限公司第七二三研究所
摘要： 针对复杂环境下无人机目标识别精度低、实时性差的问题，提出一种基于自适应神经网络与多尺度特征融合的无人机目标识别算法。该算法采用改进的卷积神经网络提取多层次特征，结合注意力机制自适应调整特征权重，并通过多尺度特征融合增强目标表征能力。在DroneCrowd数据集上的实验表明，相比ResNet-50、YOLOv11和EfficientNet等算法，所提方法平均识别准确率达到94.3%，相比ResNet-50提升8.7个百分点，相比YOLOv11提升2.0个百分点；F1分数达到93.9%；处理速度达到61.0 FPS，相比ResNet-50提升35%；展现出优异的鲁棒性，为无人机目标识别提供了有效解决方案。
中图分类号：TP391.4；TP18 文献标志码：A DOI: 10.16157/j.issn.0258-7998.257364
中文引用格式： 刘方，陈文瑞，沙峥瑜. 基于多尺度特征融合的无人机目标识别算法研究[J]. 电子技术应用，2026，52(4)：38-41.
英文引用格式： Liu Fang，Chen Wenrui，Sha Zhengyu. Research on UAV target recognition algorithm based on multi-scale feature fusion[J]. Application of Electronic Technique，2026，52(4)：38-41.
中文引用格式： 刘方，陈文瑞，沙峥瑜. 基于多尺度特征融合的无人机目标识别算法研究[J]. 电子技术应用，2026，52(4)：38-41.
英文引用格式： Liu Fang，Chen Wenrui，Sha Zhengyu. Research on UAV target recognition algorithm based on multi-scale feature fusion[J]. Application of Electronic Technique，2026，52(4)：38-41.
Research on UAV target recognition algorithm based on multi-scale feature fusion
Liu Fang，Chen Wenrui，Sha Zhengyu
The 723rd Research Institute of China State Shipbuilding Corporation
Abstract： To address the problems of low target recognition accuracy and poor real-time performance of unmanned aerial vehicles (UAVs) in complex environments, this paper proposes a UAV target recognition algorithm based on adaptive neural networks and multi-scale feature fusion. The algorithm employs an improved convolutional neural network to extract multi-level features, combines attention mechanisms to adaptively adjust feature weights, and enhances target representation capability through multi-scale feature fusion. Experiments on the DroneCrowd dataset demonstrate that compared to algorithms such as ResNet-50, YOLOv11 and EfficientNet, the proposed method achieves an average recognition accuracy of 94.3%, representing an improvement of 8.7 percentage points over ResNet-50 and 2.0 percentage points over YOLOv11; an F1 score of 93.9%; and a processing speed of 61.0 FPS, representing a 35% improvement over ResNet-50. The method exhibits excellent robustness, providing an effective solution for UAV target recognition.
Key words : drone recognition；deep learning；multi-scale features；attention mechanism；target detection
引言
随着无人机技术的快速发展，无人机在军用和民用领域的应用日益广泛，同时也带来了新的安全威胁[1-2]。准确识别和分类无人机目标对于空域安全管理、反无人机系统和智能监控具有重要意义。然而，无人机目标具有尺寸小、形状多样、飞行姿态变化大等特点，传统的目标识别方法难以满足实际应用需求[3-4]。
近年来，深度学习技术在计算机视觉领域取得了突破性进展[5-6]。卷积神经网络（CNN）通过层次化特征学习，在目标检测和识别任务中展现出优异性能[7-8]。然而，单纯的CNN网络在处理多尺度目标和复杂背景时仍存在局限性。注意力机制的引入为解决这一问题提供了新思路，通过自适应调整特征权重，增强网络对关键信息的关注度[9-10]。
多尺度特征融合是提升目标识别性能的重要技术手段[11-12]。通过融合不同层次的特征信息，可以更好地捕获目标的细节特征和全局语义信息。特征金字塔网络（FPN）[13]和路径聚合网络（PANet）[14]等方法在多尺度目标检测中取得了显著效果。
本文针对无人机目标识别的技术难点，提出一种基于自适应神经网络与多尺度特征融合的识别算法。主要贡献包括：（1）设计了改进的卷积神经网络架构，增强了小目标特征提取能力；（2）引入通道-空间双重注意力机制，自适应调整特征权重；（3）提出多尺度特征融合策略，提升目标表征的判别性；（4）在多种场景下验证了算法的有效性和鲁棒性。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000007035
作者信息：
刘方，陈文瑞，沙峥瑜
（中国船舶集团有限公司第七二三研究所，江苏 扬州 225101）
此内容为AET网站原创，未经授权禁止转载。