在信息化飞速发展的今天,图像目标识别技术扮演着越来越重要的角色,它已经被广泛应用到生物识别、遥感图象识别、远程监控、智能交通管理、军事侦察、精确制导等各个领域。如何改进经典的统计模式识别方法以及各种目标识别技术的结合仍然是需要不断完善的问题。基于当前的研究现状,本文以可见光和红外仪器同步拍摄的不同环境下的运动车辆目标序列为对象,在深入研究了经典的统计模式识别方法及相关理论的基础上,对车辆目标识别系统中的特征提取和识别方法等方面做了较深入的研究,并对神经网络在车型识别系统中的应用作了试探性研究。主要内容如下:1.本文所处理的数据源随着拍摄时间的变化视频图像的亮度有很大的差异,而且拍摄背景比较复杂,同一车辆目标在不同角度和姿态下其光照与纹理也有较大的变化。基于这些特点,本文给出一种基于车辆目标轮廓的组合识别特征提取方法,所提取的组合特征包括以车辆目标轮廓为基础的全局形状矩特征和以车辆目标轮廓纵横向分量为基础的局部统计特征,该方法具有较强的稳定性和一致性。2.本文在经典统计模式识别方法的基础上,结合了最近邻识别法和K近邻识别法的特点,给出一种三阈值近邻识别方法,其基本原则是在寻找未知样本的近邻时,通过附加阈值的限制,进一步提高识别的可靠性。同时本文还利用改进的C-均值动态聚类和哈夫曼二叉树的原理,给出了三阈值近邻法的快速算法,使得识别的速度大大加快。3.本文结合了人工神经网络和改进的C-均值动态聚类两种技术,对BP神经网络在车辆目标识别中的运用进行了试探性研究。其基本思想是,先用改进的C-均值动态聚类方法将车辆目标的训练样本集划分成若干子集,每个样本子集对应神经网络的一个输出端口,以此原则来构建一个BP神经网络,再代入样本进行训练后即可用于识别未知的车辆目标样本。根据上述的方法,本文针对多种车辆类型的目标图像进行了实验,三阈值近邻法和神经网络方法都能得到较好的识别结果。