自动目标识别(ATR)技术一直是**领域中急需解决的重点和难点。本文设计并实现了一种新的面向**目标识别应用的 DRFCN深度网络。首先, 在 DRPN部分通过卷积模块稠密连接的方式, 复用深度网络模型中每一层的特征, 实现高质量的目标采样区域的提取; 其次, 在 DFCN部分通过融合高低层次特征图语义特征信息, 实现采样区域目标类别和位置信息的预测; 最后, 给出了 DRFCN深度网络模型结构以及参数训练方法。与此同时, 进一步对 DRFCN算法开展了实验分析与讨论: 1) 基于 PASCAL VOC数据集进行对比实验, 结果表明, 由于采用卷积模块稠密连接的方法, 在目标识别平均准确率、实时性和深度网络模型大小方面, DRFCN算法均明显优于已有基于深度学习的目标识别算法; 同时, 验证了 DRFCN算法可以有效解决梯度弥散和梯度膨胀问题。 2) 利用自建**目标数据集进行实验, 结果表明, DRFCN算法在准确率和实时性上满足**目标识别任务。