我国幅员辽阔,地势复杂,人口分布严重不均衡,国土安全始终是一个备受关注的问题,迫切需要建立一套有效的国土安全监视机制。随着人工智能和无人机技术的飞速发展,利用无人机从高空中可以采集大视野范围的图像,并且通过人工智能的方法可以分析各种图像的场景,从而使判断国土安全状况成为可能,这将极大地提高国土安全监视的质量和效率。本文结合我国国土安全的实际需求,针对空基安全监视问题开展研究,以卷积神经网络为核心,利用残差神经网络和多源特征融合技术,经过对图像预处理后的数据库进行训练,实现了空基安全监视的性能要求。主要研究内容及取得的成果如下:(1)针对空基监视这一特定问题,通过科学的分类论证,归纳总结了可能出现的不同场景,建立了包含火灾、洪水、海潮、沙地等10种不同场景的俯视视角的数据库,最大程度的模拟了空基视角下图像的状态,为构建空基监视系统提供了训练数据;(2)比较KNN、SVM、BP神经网络等传统图像分类处理方法的优点和不足,深入研究卷积神经网络模型的结构、特点和工作原理,根据不同算法在空基场景数据库上的识别能力,最终确定基于卷积神经网络模型进行样本训练,搭建了高性能的识别模型;(3)为解决空基场景图像与常规图像处理之间存在巨大差异的问题,更好地仿真空基视角下可能出现的各种变化,通过随机裁剪、水平翻转和图像加雾等方法对图像进行预处理,使得数据库对于算法的训练效果更佳;(4)将空基视角采集的视频序列进行处理,选用Res Net-50抽取其中的关键帧进行特征提取和多源特征融合,从而完成了对长时序列的学习,构建了关键帧提取与融合模型,实现了从“视频采集—分析处理—识别分类”的全流程。通过控制变量实验,其分类准确率达到了87.9%。这说明本方法可满足安全监视的需求,为实现对国土安全的智能监视提供了可行方案。