随着机器视觉和机器学习的高速发展,目标识别技术被广泛应用到工业、农业、智能交通、军事、安防等领域。现代战争战场日益多样化,作战方式也应与时俱进,采用无人作战平台与目标识别技术相结合的方式,能有效提高军队的作战能力,在未来的战场上会占据越来越重的主导地位。本文以无人平台为研究背景,为实现战场目标的识别以及无人平台对目标的精准打击,设计了基于机器视觉的无人平台识别控制系统（简称控制系统）。本文主要研究内容如下:（1）对控制系统进行总体方案设计。分析了控制系统的总体需求,设计了控制系统的整体框架结构。根据控制系统的各功能模块以及工作流程在Windows环境下开发了基于MFC框架的无人平台识别控制软件。（2）以车辆和人体为识别对象,对多种目标识别算法进行研究并实现。使用光流法实现对视频流中运动车辆的识别。通过Open CV使用基于颜色的方法完成对普通车辆和人体肤色的识别。实现了一种基于haar-like特征的Adaboost车辆识别算法,对视频流中的任意颜色,任意类型车辆有良好识别效果,并对Adaboost算法的分类器训练方式进行了优化,有效提高了车辆识别的实时性。采用基于深度学习的YOLO算法实现对视频中的人体和车辆的高精度识别。对四种算法的优劣进行分析,对处理效果进行对比。（3）对视频信息处理进行深入研究。通过对控制系统的视频采集模块、编码模块、传输模块进行优化处理,提高了系统的实时性和稳定性。利用FFmpeg设计并完成视频的采集、编码和解码,实现视频数据的获取以及H.264格式与yuv格式之间的相互转换。研究了网络数据通信技术,编制了通信协议,通过Windows Socket技术实现了无人平台端与指挥控制端的数据通信。（4）对控制系统的功能和性能进行测试,对结果进行分析。搭建了系统测试平台,检验了控制系统的图像传输功能和目标识别功能是否能正常稳定使用,验证了控制系统的实时性、可靠性、准确性是否满足系统设计需求。