深卷积神经网络模型在许多计算机视觉应用中取得了良好的效果。如何利用深度学习技术在复杂战场环境下完成辅助制导和瞄准点定位，是我军打赢现代信息化战争的关键。针对这一问题，本文提出了一种时敏目标类型和瞄准点识别算法，用于提高时敏目标检测的质量，并为后续模块提供作战军事资源各组成部分的作战价值。该算法重新设计了yolov3骨干网络，利用深度可分离的残差块提取输入图像的特征，然后将获得的特征映射发送给注意模型，对包含目标成分等重要语义信息的特征映射赋予相应的权重。最后，将注意力机制模型处理后的特征映射发送到回归网络，以识别时敏目标的类型和瞄准点。在COCO和VOC数据集上的实验结果表明，该算法使用的特征提取网络和注意模型有效地提高了深卷积神经网络（mAP）常见目标的检测精度。在建立的战场军事资源模型数据集上的实验结果表明，该算法能够准确识别非合作时敏目标的瞄准点。