当前无人机的应用日益广泛，目标识别技术是这些应用的核心技术之一。它可以帮助无人机在执行任务时准确识 别出目标，并采取相应的行动，直接影响到无人机任务的执行效率和精确度。传统的目标识别方法往往依赖于复杂的特征提 取和后续处理步骤，而这些方法在处理实时数据和动态环境时面临巨大挑战。近年来，深度学习技术，尤其是自注意力机制， 在处理序列数据和增强模型理解能力方面展现了巨大潜力。因此本文针对无人机高速低空拍摄导致目标尺度变化，使得地面 小目标难以识别的难题，将自注意力机制与特征金字塔模型进行融合，提出一种改进的 YOLOv5 无人机目标识别方法用于武 警防逃制逃。通过构建基于 Transformer 自注意力的多尺度检测头替换原始 YOLOv5 预测头，增强模型对尺度特征表达能力。 此外，还结合了卷积块注意模型（CBAM）来搜索目标感兴趣区。在 VisDrone2021 数据集上进行实验，证明了所提方法的有 效性和优越性。与基准模型（YOLOv5）相比，所提方法提高了约 6.3%。 关键词：无人机；自注意力机制；目标识别；深度学习；Transformer