自动目标识别的本质是模式识别问题,特征提取是模式识别系统的重要组成部分,为正确分类提供了有力的保证。为了提高分类处理的速度和精度,需选择具有代表性的特征,而且这些特征应具有比例、旋转、平移不变性。小波变换具有多分辨的特点,并且这种特点呈塔形分解形式,这种分解方式与人由粗到细,逐渐辨识图像的思维方式是吻合的。文中讨论了两种基于小波变换的二维图像特征提取方法:线性矩的多分辨分析、小波矩的图像识别,阐述了各方法的基本原理及实现过程。线性矩的多分辨分析方法是首先将图像的二维信息转换为一维信息:线性矩,然后利用多分辨正交基对线性矩进行变换,计算其各分辨率下的信号的能量及经FFT变换的值,获取特征矢量。为减少计算量和数据量,对此方法进行了改进,使特征的选取更为方便。此外,还讨论了小波矩的图像识别算法,小波矩除了具有矩的平移、缩放和旋转不变性外,还能够把握图像的细节特征。决策分类是目标识别中要解决的关键问题。文中研究了最小距离分类器和神经网络在模式分类中的应用。应用多分辨分析与串、并联神经网络相结合对目标进行识别获得了较高的识别率。将小波矩特征分别与最小距离分类器和神经网络相结合形成图像识别系统,成功实现了对实验室条件下两类在平面上由0到360度旋转的目标的识别。