目标识别一直是计算机视觉领域内的一个研究热点,目标识别在战场上应用十分广泛,但由于战场环境比较复杂,在进行目标识别过程存在特征选择信息不准,单一分类器识别率较低等问题。本文针对上述问题提出端到端的深层卷积神经网络方法对目标进行识别。首先,针对深层卷积神经网络权值分布稳定性,数据依赖问题和源域与目标域差距问题提出了半监督增强迁移学习。深层卷积神经网络前期不容易收敛,并且权值分布容易受到数据分布影响,引入半监督迁移学习可以一定程度上解决此类问题。针对半监督迁移学习会产生过拟合问题提出了增强迁移学习,通过融合多个分类器参数减缓过拟合现象。在Cifar-10数据集上实验表明,加入半监督增强迁移学习的网络训练时会更稳定,并且收敛更快一些。然后,针对注意力机制全连接参数量较大的问题和分组带来的分布截断问题提出了复用特征选择机制。选择出较好的特征可以很大程度上提高模型的准确率,通过注意力机制可以在深层神经网络中增强显著特征。本文提出卷积特征选择,利用卷积计算替换注意力机制权值映射阶段中的全连接操作,可以在减少参数量的情况下更好的表达特征图。针对特征图分组选择的分布截断问题,本文提出复用切片分组以及组合并行被选择特征来进行特征选择,减少了特征图分布截断带来的信息损失和过度选择问题进而增加识别率。在STL-10数据集上实验表明,本文提出的复用特征选择网络(CoFS-Net)好过其它目标识别网络。最后,结合第三章和第四章提出的方法提出了机器学习的目标识别方法在战场中实际应用方案,使用第四章提出的复用特征选择网络作为特征提取器,第三章提出的半监督增强迁移学习来初始化参数。本文将目标识别识别任务分为两个步骤,首先通过二分类器判断目标是否存在,然后利用多分类器进行目标分类。在采集的战场目标数据集上进行实验,通过实验表明本文提出的方法要好过其他方法。