随着计算机视觉与模式识别技术的发展,日标识别技术已被广泛地应用于军事、航天、天文和智能视频监控等领域,是计算机视觉和模式识别领域的研究热点,开展口标识别技术的研究具有重要的理论意义和实用价值。本文主要利用流形学习和分层学习理论开展研究,主要研究内容如下：(1)设计了一种红外序列图像小目标识别算法。此算法基于张量型局部保持投影(Tensor Locality Preserving Projection, TLPP)而设计,直接接受矩阵形式的输入。该算法不仅能够利用TLPP算法的优点来发现数据的本质流形结构,而且具有较低的复杂度,其有效性在两组红外序列图像上得到了验证。(2)构造了一种针对导出核(Derived Kernel, DK)模型的模板选取算法。模板在DK模型中扮演着重要的角色,性能良好的模板可以使得DK模型能够给出一种更加接近视觉感知的图像相似性度量。本文给出的模板选取算法不仅减少了模板集合中的冗余而且利用了训练样本的标记信息,因而得到的模板不仅数目少而且还具有较强的判别能力,使DK模型更加适合目标识别问题。在四个标准数据库上的实验结果表明,此算法可使基于DK模型的目标识别算法在仅利用少量模板的情况下就可得到较高的识别精度。(3)基于DK模型设计了一种具有分层结构的特征提取算法。该算法主要由局部编码和最大化联合操作两种运算组成,则由其获取的图像特征被称作局部神经反应(Local Neural Response, LNR)。算法中的局部编码操作可以提取图像中的局部显著特征,而最大化联合操作可使提取的特征具有平移不变性。本文还证明了在满足一定的前提下,该算法具有旋转和尺度不变性。此外为了提高LNR算法的速度和判别能力,本文设计了一种与之配套的模板选取算法,从而可以获得少量的有效模板。实验结果表明,与最新的特征提取算法相比该算法对图像的局部形变以及复杂背景具有更好的鲁棒性。(4)针对一般目标识别(General Object Recognition)任务构造了一种有效的识别算法。该算法首先通过基于不变描绘子的分层学习算法获得一种新的图像表示：基于不变描绘子的局部神经反应(Invariant Descriptor-based Local Neural Response, IDLNR),然后将得到的IDLNR输入到一个适合处理大规模数据的线性分类器中,其中：IDLNR的优点是它能够在很好地区分不同类别目标的同时,对图像形变以及目标类内变化具有很好的不变性。我们在两个具有挑战性的数据库上验证了算法的有效性,实验结果表明该算法具有较好的鲁棒性和较低的样本复杂度,识别精度明显高于一些最新的般目标识别算法。此外文中还给出了IDLNR的不变性理论分析,有助于进一步理解算法特性。