核心技术：(1)基于对抗网络思想的红外融合图像处理算法设计 图像融合算法的核心是由有效的特征提取模块和合适的融合策略组成。根据策略和特征提取方法的不同可分为:传统方法和基于深度学习的方法。由于采用传统方法时，细致多样的特征提取和融合规则设计会导致融合方法变得更加复杂。而基于深度学习的生成对抗网络网络能够保留更多细节和纹理信息，提升视觉效果，有无监督的学习能力，能够减少对标注数据的依赖，增强了融合过程的灵活性和适应性等一系列优点。 （2）轻量化高精度目标检测识别算法设计 针对无人机在执行目标检测任务中面对复杂背景下特征信息稀疏、边缘轮廓信息特征弱等识别精确度低导致误检、漏检问题，提出一种基于 YOLOv11 算法自主优化改进的 ASAM-YOLO 目标检测算法，引入基于卷积形状可变思想重构的C3K2-A 模块，并优化骨干层引入 SimAM 注意力机制，提升了网络对复杂背景抑制冗余信息，聚焦目标区域，增强特征判别精确度，加入新的浅层特征提取网络 P2分支, 填补高分辨率浅层特征建模空白, 完善特征金字塔覆盖范围。算法在数据集上得到验证。

红外融合图像处理算法中主要聚焦以下创新： (1) 在红外图像融合中，鉴别器的结构经过优化，借鉴了小波变换的思想。这种改进有效提升了融合图像的对比度，从而增强了图像的纹理细节，使得处理后的图像更为清晰和细腻。通过这种方式，图像的质量得到了明显提升。 (2)在对抗网络的生成器部分，注意力机制的引入能够有效解决一些常见问题，比如纹理细节丢失和背景纹理污染。注意力机制帮助网络更加关注重要的图像区域，从而保留细节信息，避免不必要的背景干扰，提升图像的真实感和准确度。 目标检测识别算法对网络结构进行自主改进优化，主要聚焦以下几点： (1)基于卷积形状可变思想引入ACKconv卷积，对于底层模块C3K2进行重构并替换至骨干层网络，从而有效提升了网络的计算效率和特征提取能力，尤其是在复杂背景中的表现。。 (2) 引入无参数SimAM注意力机制，提升了网络对复杂背景抑制冗余信息，聚焦目标区域，增强特征判别精确度。这一机制不仅提升了目标检测的准确度，还减少了由于无关背景导致的错误判断，使得特征判别更加精准。 (3) 在颈部网络层级设计新的浅层特征提取网络P2分支, 填补高分辨率浅层特征建模空白, 完善特征金字塔覆盖范围。这个创新优化了特征金字塔的覆盖范围，提升了多尺度信息的融合，增强了目标检测在各种场景下的适应能力。