目标的表示和识别技术是模式识别和图象理解领域的核心环节之一。现有的目标表示方法往往是基于目标的图象特性和几何特性的。本文重点讨论了从大量人造目标和自然目标中广泛存在的对称性出发而导出的目标表示和识别技术。 论文主要研究了基本对称和广义对称两大类对称性及其应用问题，它涉及如下的研究工作。 首先，论文系统地总结了基本对称和扭对称的基本理论和检测技术。为了克服直接从灰度图象中检测目标的基本反射对称轴时的困难，论文提出了一种基于分布式主动智能体的新方法。该方法通过模拟智能体的感知、通信和行为能力来实现图象中局部对称轴的检测、生长和编组功能。 其次，论文研究了基于骨架的目标表示和识别的基本理论和关键技术，具体涉及：骨架的提取、骨架的分解、基于骨架的目标表示和匹配等技术。 在骨架提取方面，论文提出了一种通过模拟水流冲刷地形表面的过程来直接从灰度图象中提取目标的骨架的高效算法，它可以得到连通的、保持目标的拓扑属性的、处在目标的中线上的、近似单象素宽度的骨架。 在骨架分解和表示方面，论文提出了一种高效的骨架层次分解以及矢量化算法。该算法首先将骨架分解为它的有意义分量(如分支和环)集，然后将各分量矢量化为简单的结构基元(如直线段和圆)，最后将它们组织到一个属性关系图之中。为了构造属性关系图，论文提出了一种基于距离变换的确定平面子集的K—近邻的实时算法。该算法适用于任何类型的平面子集，并且可以推广到高维空间子集的K—近邻计算中。 在骨架匹配方面，论文提出了一种基于加权最优二分图匹配技术的骨架匹配技术。该算法通过测量属性关系图之间的最大公子图来计算骨架之间的距离。 最后，在基于对称性的目标描述和识别理论的基础上，建立了一个基于骨架的图象数据库检索的实验系统，取得了预期的效果。