保护东北虎及其生态环境,既可维持生态系统稳定性,同时还能保护与其同域分布的其他物种。近年来,我国政府及保护机构意识到保护东北虎的重要性,对东北虎、猎物种群及其栖息地的调查和保护更加重视,并取得一定成效。但传统调查方法仍有其局限性。基于此,本文以大疆无人机M300RTK及其配套红外摄像机为视频采集设备,以东北虎及其主要猎物梅花鹿、马鹿、驯鹿、狍的红外热图像为研究对象,在自然保护区结合人工智能算法进行物种识别研究。通过对东北虎及其食物链的统计调查,为东北虎野化放养提供研究数据支撑,为野生动物进一步保护行动提供参考。本文主要工作如下:（1）针对缺少东北虎等野生动物目标检测公开数据集的问题,在多个自然保护区使用无人机对研究对象进行图像采集,构建实验数据集,并总结了无人机拍摄最佳飞行参数。根据数据集特点、实验目的等因素对目标检测算法中具有代表性的一阶段算法SSD和Yolo以及二阶段算法R-CNN和Faster-RCNN进行对比分析。实验对比后,最终使用Yolo V5s算法对实验组构建的野生动物数据集进行分类研究。（2）针对Yolo V5s中普通卷积块参数计算繁琐,提取特征冗余问题,首先提出一种使用轻量化Ghost模块替换普通卷积层的策略,并结合Res Net网络的残差思想,设计Ghost残差块以替换掉原Yolo V5s中CSP模块的Bottleneck,极大地简化模型的计算复杂度;然后调整SPP模块的最大池化层排列方式得到SPPF模块,替换SPP模块,减少参数计算量。最终得到改进后的网络Yolo V5s-GF,相比Yolo V5s,在小幅度降低准确率的情况下大幅减少了模型权重以及加快了检测时间。算法的改进,降低了其依托计算机硬件的需求。（3）针对改进后的Yolo V5s-GF算法识别准确率降低、发生漏检等问题,对其网络结构进行了改进。首先在SPPF模块后插入注意力机制SE模块,给不同通道增加不同评价分数,增强网络对目标特征识别能力,提高识别准确率;然后将定位损失函数GIo Uloss替换成CIo Uloss,解决GIo Uloss预测框与真实框重合时定位模糊的问题。最终改进得到Yolo V5s-GF-SE算法,识别准确率为96.0%,模型权重为9.3MB,单张图片检测时间为0.021秒,相比Yolo V5s,准确率提高1.9%,模型权重减小37.2%,检测时间减小34.4%。文末使用Py Qt5开发的野生动物分类识别平台,验证改进后的算法。改进后的Yolo V5s-GF-SE算法,在提升识别准确率的同时,兼顾了模型权重与检测速度,更适用于野生动物人工智能调查工作,同时也为算法向无人机设备移值,实现无人机在线识别物种提供了可行性。