现代军事情报系统正快速发展，尤其在战场环境下作战车辆的识别分类领域。准确识别这些车辆的能力与薄弱环节，对制定有效战术与作战策略至关重要。人工智能，特别是通过图像处理、模式识别与深度学习技术的融合，已极大增强了军用车辆分类的可行性。本研究采用YOLO算法，特别是专为移动应用优化且在评估中表现优异的YOLOv8模型。改进之处包括引入挤压与激励模块，提升了检测精度。该研究强调了利用光电系统采集的图像来探测目标详细特征的重要性，旨在增强目标管理系统中决策支持流程的效能。本文概述了基于深度学习的目标检测与识别系统的开发过程，涵盖专门的针对性数据采集、预处理、图像分割、特征提取、分类以及通过决策支持矩阵生成建议。该模型显著提升了图像处理与目标检测能力。尤为突出的是，它能利用现有光电设备被动识别作战车辆，无需额外硬件即可隐蔽估算距离。该系统可进行实时预测，实现了88.38%的平均精度均值，从而有助于在军事行动中做出明智决策并降低风险。

本节阐述了所构建系统采用的方法论。它对架构进行了深入探究，并旨在确定达成预期目标的最有效途径。首先，利用由SE模块驱动的单阶段检测器算法获取目标详细信息。随后，采用一种算法计算目标距离，该算法运用通过特征迁移学习方法提取的特征及预先准备的数据表。在估算目标距离后，结合生成的决策支持矩阵对此信息进行解读，从而为用户提供建议。该方法使模型在所需数据量较少的情况下，仍能展现出高度的泛化能力。

图1. 主算法与步骤。