水面无人艇是近来新兴的海上作业平台，根据人为设定程序可完成自主探测目标、避障、搜救等任务，其中无人艇自主目标检测与识别是任务完成的关键技术。相对远距离雷达、红外目标探测，新增的视觉系统是近距离目标获取与处理的主要设备系统，然而目前国内存在的针对无人艇视觉系统的目标图像识别处理技术尚不成熟。本文根据水面目标图像的常见特点以及目标识别处理实时性的需求，研究了一套针对无人艇视觉系统的目标识别处理技术，并且完成了相应的实验仿真验证。论文以无人艇水面目标为研究对象，以目标检测、目标特征分析、目标识别为研究主线，分别对图像分割算法、特征提取方法与目标图像识别技术展开深入研究：首先，根据网络搜索数据以及实际遥控艇获取数据建立了水面目标图像库，主要包括：根据网络搜索数据建立的不同类3D船型，及3D船型在0至360度范围旋转的姿态呈现；在不同视角下实拍的水面遥控艇图像；不同视角下海上礁石与岛屿图像。其次，考虑到实际视觉系统采集水面目标时海天背景的复杂性以及目标图像的深度变化，传统的图像阈值分割算法已满足不了目标的完整检测，本文提出采用Mean-Shift分割算法实现对水面目标的检测，并且在该算法的基础上建立了自适应Mean-Shift分割技术，实验实现了水面目标的较完整分割，并保证了无人艇视觉系统对目标的实时性处理需求。再次，以水上船舶为主，礁石、岛屿为辅，分别从表面纹理与形状、轮廓方面分析水面目标的特征，实现了水面目标的纹理特征与形状的轮廓、几何特征、hu不变矩、仿射不变矩特征提取，其中针对船舶目标，当其在平面外旋转时有些特征并不具备不变性，由此本文丰富扩展了其在不同视角下的特征提取。实验结果显示根据本文阐述的特征提取方法计算，不同类型目标的特征具有较好的可分性，适合用作目标识别的参考特征数据。最后，根据特征提取技术建立一个较为完备的水面目标特征库，并作为BP神经网络识别的输入样本库；分析BP算法运行常见问题，采用主分量分析优化网络学习样本库；应用神经网络进行识别，抽取船舶与非船舶目标纹理、形状特征训练网络，自适应调整网络学习步长，区分船舶与非船舶并且识别不同类型的船舶，实验结果表明该方法一方面加快了神经网络的学习速度，另一方面提高了识别率。