Los UAV (vehículos aéreos no tripulados) se han utilizado ampliamente en muchos campos, donde necesitan ser detectados y controlados. El reconocimiento de UAV de muestra pequeña requiere un método efectivo de detección y reconocimiento. Al identificar un objetivo UAV utilizando la red neuronal de retropropagación (BP), los neuronas completamente conectadas de la red neuronal BP y las características de entrada de alta dimensión generarán demasiados pesos para el entrenamiento, inducirán una estructura de red compleja y un rendimiento de reconocimiento deficiente. En este documento, se propone un nuevo método de reconocimiento basado en la factorización de matriz no negativa (NMF) con reducción de dimensión de características con restricción de esparcidad y red neuronal BP para las dificultades mencionadas. Se utilizan Edgeboxes para las regiones candidatas y se extraen características Log-Gabor en las regiones de objetivo candidatas. Para evitar la complejidad de la operación de matriz con las características Log-Gabor de alta dimensión, se adopta un preprocesamiento para la reducción de características mediante submuestreo, lo que hace que la NMF sea rápida y las características discriminativas. El clasificador se entrena mediante una red neuronal con la característica de reducción de dimensión. Los resultados experimentales muestran que el método es mejor que los métodos tradicionales de reducción de dimensión, como PCA (análisis de componentes principales), FLD (discriminación lineal de Fisher), LPP (proyección que preserva la localidad) y KLPP (proyección de localidad preservada por núcleo), y puede identificar el objetivo UAV de manera rápida y precisa.