随着集成控制以及人工智能等相关技术的发展以及产品成本的下降,在消费级领域,无人机的体积越来越小、性能越来越高,并且操控越来越简单,逐渐受到消费者的青睐,其市场门槛的降低也使得普通民众能够随时随地的享受无人机带来的喜悦和便利。但是,如果无人机被肆意放飞和非法使用,也会对航空和其他领域带来重大安全隐患,因此,如何快速准确地对空中的无人机进行识别显得尤为重要。本文致力于基于深度学习的无人机识别的研究与实现,主要解决背光目标识别以及小目标识别的问题。影响基于深度学习算法效果的因素主要有数据、网络结构与损失函数等方面,之前的研究主要针对算法的网络结构和损失函数等方面的优化,然而本文则聚焦于数据方面。本文针对无人机识别过程中背光目标识别困难以及小目标识别准确率低的问题,给出了相应的解决方案。本文主要创新点及贡献如下:1)提出了引入二值化的Bi-CycleGAN算法,提升检测模型对背光无人机泛化能力。对于数据集中背景复杂、无法直接使用图像二值化进行转化的实景图像,提出引入二值化的Bi-CycleGAN算法,降低原始CycleGAN算法对数据集的依赖程度,能够将实景图像中的无人机转化成黑色,实现对背光无人机目标的拟合,改变数据集中背光无人机目标分布不均衡问题,进而提升目标检测模型对背光无人机识别的泛化能力。2)提出了一种基于图像金字塔的数据增强方法,提升检测模型对小目标识别的精度。该方法可以将单个图像金字塔生成的不同尺寸的图像组合成一张新的图像,新的组合图像可以在不改变原图中目标信息的基础上增加每张图像中小目标的数量,克服原有方法的复杂性;通过这种由单张图像生成一张新的组合图像增强,可以改变训练集中小目标分布不均衡的问题,从而提升目标检测模型对小目标的识别精度和泛化能力。3)实现了无人机识别实验验证系统。将目标检测算法移植到边缘处理器上,使得边缘服务器实现对无人机的识别,通过实验验证了对无人机的检测效果。