图像模式识别就是在建立目标图像的稳定特征模型之后,提取实时的目标图像特征,并寻找与之具有最佳对应关系目标的一门理论和技术。在目标识别中,特征提取和选择(即如何表示目标)是至关重要的问题,它不仅直接影响后续分类器的设计和性能,甚至关系到分类是否可行、分类识别系统是否有效。本文针对目标检测和识别过程中,由于视点变化引起的目标特征尺度和遮挡变化特性,将视点变化时多尺度、多变化特征的可靠建模和识别问题转化为目标特征选择、提取、组织和融合识别问题,并在此基础上提出根据显著性准则提取、组织、表达多尺度、多目标特征,建立目标特征的显著性层次模型。对于多特征的融合问题,文章选择了并行和串行方式进行了比较,分析了各自的优缺点。在并行算法中,对于显著性不同的特征,系统赋予了不同的权值,越显著的特征赋予越大的权值;反之,赋予小的权值,以说明特征的显著性不同,对于目标识别的贡献不同。而在并行算法中,对每一次目标特征识别的结果,采用分层的动态贝叶斯网络或D-S证据理论融合的方法来估计和计算目标识别的实时置信度,然后,根据显著性特征分层次模型,优先选择下一个导致最小分类错误或最大正确分类概率的特征和提取算法指导目标实时特征提取的过程,并在目标识别的实时置信度到达一定的置信度门限时终止目标识别计算,提高了目标识别的可靠性、适应性、智能性和快速性。在实际应用中,针对停车场自动收费系统、小区车辆管理系统和交通路口闯红灯违章车辆记录系统,本文设计了静态车辆的车牌识别系统。该系统对自然环境中的特定目标(车牌)识别中的三个关键技术——车牌定位、字符分割和字符识别进行深入研究,并建立了实用实验系统。车牌定位和识别是典型的目标检测和识别问题,而特征提取和识别算法是目标识别研究的核心问题。本文首先介绍了特征选择在目标识别中的重要性,并针对其中存在的一些问题进行了简要的分析。在此基础上,提出了特征显著性的理论方法,及其在特征选择算法中具有的优势。根据特征显著性的理论指导,本文在车牌定位中根据先验知识和实验结果的分析,对于车牌的形状特征、纹理特征和颜色特征这三个显著性特征,使用了并行融合算法。将这三个显著性特征,根据显著性程度,赋予了大小不同的权值,来进行车牌的定位研究。在车牌的置信度计算中,采用车牌的长宽比、纹理密度以及色调分量作为融合置信度的估计。最大的置信函数对应的候选区域即是车牌的位置。在车牌字符分割过程中,由于存在着车牌倾斜问题,论文提出了简单有效的横行投影车牌倾斜校正方法,避免了Hough变换算法带来的计算复杂度问题。而在分割单个字符的过程中,论文又提出了一种新的车牌字符分割算法——一维循环清零算法。该方法在分割车牌的同时,有效的去除了铆钉以及车牌字符中间杂点的干扰。对于存在较大干扰的车牌,论文又使用了基于局部阈值的细分割算法。在车牌识别过程中,文章仍然利用特征显著性的原理,依次选择车牌字符的显著性特征矩特征、外部轮廓特征、内部结构特征和网格特征,作为参考特征,进行车牌字符的识别研究。文章使用了串行的特征融合算法,将D-S证据理论的特征融合算法运用于其中。对于基本置信指派,则根据特征分类的最小错误概率使用了修正的加权置信函数。融合过程中,当置信度大于某一阈值时,系统则停止字符的识别过程。最后,本文又给出了车牌识别系统开发过程中的主要实现方法及其性能的评估方法,并以此为依据对整个车牌识别系统进行了评估,其中包括车牌图像的尺度变换、旋转变换以及加噪处理等。