重要军事、民用设施对战争胜负起着非常重要的作用。如何快速有效掌控战场环境和发现并打击上述设施目标显得尤为重要,因此目标识别技术的作用愈发明显。随着航空器、无人飞行器、制导武器的快速发展,在一个低功耗、小型化、廉价化的平台上实现对图像目标的快速准确识别就具有现实意义。基于上述目的,本文利用美国德州仪器公司(TI公司)的TMS320C6678,实现一个基于卷积神经网络的重要目标识别系统,可以扩展应用到国产的多核DSP上。本文主要从以下几个方面进行了相关工作:一是制作用于网络训练的数据集。模拟航空器视角,通过公开途径(如Google Earth)收集机场、火车枢纽站、水坝(水电站)、广播电视塔、战备储油库五类目标的航空图像或卫星照片。根据尺度相近的原则对这些公开图像数据进行筛选分类,剔除影响分类的个别图片,并用反射加噪等方法扩充数据集,通过试验性的网络训练来检验效果,形成最终数据集(其中训练集包含图片53000张,测试集包含图片21000张)。二是选用合适的卷积神经网络训练识别模型。通过查找文献,了解不同网络框架和网络模型在图像识别领域的性能,结合要使用的嵌入式设备特点,确定合适网络用于模型训练。采取迁移学习的策略提高训练速率和效率,最终得到比较有效的识别模型。三是在嵌入式平台上移植神经网络框架和网络模型。通过确定网络框架主要功能函数,结合嵌入式设备的硬件特点,在不影响网络识别功能和识别精度的前提下,对源代码进行裁剪、修改、替换,最终在嵌入式平台上实现目标识别功能。四是实现嵌入式平台上对目标识别功能的优化。主要通过访存优化,开优化选项、多核并行计算等方式逐步提升识别速率。本文基于DSP性能特点与卷积神经网络技术,尝试解决传统图像识别技术存在的速度慢、精度低、对器材要求高的不足,实现了卷积神经网络框架在嵌入式设备上运行。并通过多核并行处理,结合优化访存、调整优化选项等方法实现了对目标图像识别速率的提升。