由于受到各种主观因素和客观因素的影响,现实世界中的信息往往会存在一定的不确定性。作为一种不确定信息融合理论,证据理论能够较好地表示、处理和组合多源不确定信息。将证据理论应用在图像目标识别中,可以较好的处理图像中的一些不确定信息,在目标识别、目标跟踪等方面取得较好效果。本文将对广义证据理论在图像目标识别方面的应用展开研究。在证据理论理论研究方面,本文提出了一种广义基本概率指派（Generalized Basic Probability Assignment,GBPA）生成方法。使用高斯型隶属度函数对训练样本建模,然后利用传感器最大误差将测试样本单一特征值扩展为高斯型隶属度函数,通过计算测试模型与命题模型的相交面积来生成GBPA,最后将多个属性下的GBPA使用加权平均方法融合并依据融合后的GBPA进行决策,鸢尾花数据分类实验说明了方法的有效性。在开放世界下,针对图像未知目标识别问题,本文将广义证据理论用于多光谱图像分类中,可同时实现对已知目标、未知目标的识别。首先,用三角模糊数对光谱信息进行建模表示,对每个待识别的像素点,在每个波段生成目标所属类别的广义基本概率指派,之后将多个波段生成的GBPA进行组合并决策,能够较为准确地识别图像中的已知目标和未知目标,实现图像中的已知目标和未知目标的分类。针对面空背景下的动态未知目标识别、跟踪问题,本文结合目标帧间位移,结合块匹配等方法实现了面空动态背景下的已知目标、未知目标的识别与跟踪。本文的主要贡献在于提出了一种开放世界下GBPA生成方法,并将其引入图像已知目标识别、未知目标识别中,并建立了一套较为完整的实施方案和流程。针对视频图像序列,本文结合块匹配等方法实现了当前目标的跟踪以及未知目标的识别与跟踪,取得了较好的效果。