目标识别技术一直是具有重要意义和实际价值的研究课题,它在监控系统、医疗诊断和军事目标跟踪等领域得到了非常广泛的应用。但是由于目标本身的多样性和复杂性,以及实时成像环境的因素(例如天气、光照、相机平移和噪声干扰)的影响,使得目标识别成为一项相当困难的工作。目标图像的差异不仅体现在整体轮廓的全局特征上,更主要的是表现为边缘细节所反映的局部特征的差异上,因此,本文提出了一种基于目标图像数据的高阶统计特性的独立分量分析方法,提取出目标图像的局部特征和全局特征一起建立特征子空间进行识别,改善了PCA 和SVD 等一些传统的基于二阶统计特性的全局特征提取方法的不足。本文首先详细讨论了独立分量分析(ICA)方法的基本原理,然后提出了两种常用的有效算法Infomax ICA 和FastICA,最后详细研究了基于ICA 的特征提取技术在目标识别中的应用。在目标识别仿真实验和人脸特征提取与识别实验中,针对ICA 提取的大量特征的无序性和冗余性,进行了一定的改进,根据类内类间距离比值最小准则来选择类间差异较大的特征,能够实现用少量的特征来对目标有效地进行描述和识别。另外,还对距离准则函数做了修正,采用加权欧式距离进一步提高了目标识别的准确率。实验结果表明,本文所讨论的方法对于部分姿态变化、噪声干扰和部分遮挡情况下的目标识别具有很强的抗畸变能力; 对于光照变化的情况也有比较良好的效果,但仍不够理想。和其它传统的特征提取方法相比,基于ICA 的特征提取方法对于对于整体轮廓相似而存在局部差异的目标的识别具有显著的优势。