本实践研究探索了在小型无人航空系统上使用深度学习人工智能，在电子战干扰环境中探测敌方军事资产的潜在应用。本实践识别了电子战对军事应用中无人航空系统指挥控制的若干影响。本实践使用的若干研究问题探究了硬件和环境条件对部署在边缘设备上的人工智能的各种限制。本实践使用第八代“你只看一次”模型架构的中等尺寸版本，实现了一个卷积神经网络。该模型在包括主战坦克和步兵战车在内的现代俄制军事资产图像上进行训练。本实践还使用了一个专用测试图像集以及在虚幻引擎测试环境中生成的模拟图像。本实践的实验在英伟达Jetson Orin Nano超级开发者套件上进行，以模拟边缘设备上存在的限制。本实践的结果展示了一个轻量级卷积神经网络在从边缘设备探测敌方军用车辆方面的潜在应用，以减轻电子战对无人航空系统的干扰。本研究有助于国防领域未来配备人工智能的边缘设备发展，特别是呼应了美国防部“复制者”计划等努力。未来的研究可侧重于稳健的数据集生成、模型优化、与自主飞行控制系统的集成以及与军事战场情报系统的集成。

本实践研究设定了若干研究目标。第一个研究目标是识别无人航空系统在军事应用和战略规划中的普遍性。第二个研究目标是识别电子战对无人航空系统部署的影响，以及人工智能在增强军事应用中无人航空系统设备指挥控制方面的潜力。第三个研究目标是识别用于无人航空系统设备的现有人工智能模型研发情况。第四个研究目标是识别一种适合部署在受计算、内存和功率限制的边缘设备上的高效卷积神经网络架构。第五个研究目标是识别卷积神经网络模型的训练优化方法，该方法能在考虑内存和计算限制、不导致模型速度或检测精度显著降低的情况下，显著提高无人航空系统的韧性。第六个研究目标是识别测试和评估部署在边缘设备上的卷积神经网络模型实时检测能力的方法，包括在模拟环境中的测试。本实践的最终研究目标是识别未来在军事应用中边缘设备上实现人工智能的潜在贡献领域。

本实践共分五章，概述了在研发所提出解决方案过程中进行的所有步骤。第一章介绍了背景、研究动机、研究范围、论点、研究问题和假设。第二章包含与本实践发展相关的学术文献综述，涵盖非政府组织、政府及军事出版物，以及与人工智能工程相关的学术文章。第三章阐述了用于研究、开发和测试轻量级卷积神经网络模型的方法论。第四章探究了研究问题，记录了实验结果，并评估了本实践的假设。第五章概述了结果分析，并提出了未来研究的潜在方向。