在当今信息时代,计算机模式识别是一门热门而实用的科学.模式识别在图形处理方面有着广阔的前景,在身份鉴别,交通监控,出入验证,关口安检等等各个方面发挥着重要作用。模式识别发展至今,在计算机的强大运算能力的支撑下,已经衍生出了各种复杂的理论算法,能够识别的目标也越来越多,识别的能力也越来越精确。统计学习理论是当前广为使用一种模式识别的理论，基于该理论的Adaboost算法是OpenCV处理模式识别的核心部分。在OpenCV中，完成对目标的识别一般需要进行分类器的训练，来对输入图像进行分类处理.因此，本论文将针对分类器的性能进行详细的研究，通过多次实验研究，找出适用于模式识别的最佳方案。另外，为了使模式识别系统更加小型化,智能化,本论文采用了嵌入式设备作为模式识别的平台。通过对嵌入式Linux系统的移植和OpenCV库及其应用程序的移植来完成在嵌入式中的实现。主要内容有：1．研究模式识别的软硬件平台架构，通过对目标的使用环境和应用对象的考察，决定使用的硬件CPU为S3C2440芯片，使用的软件操作系统为嵌入式Linux操作系统，使用的模式识别库为OpenCV库。2．研究Linux的系统移植，包括内核移植，文件系统制作，驱动移植以及在嵌入式中移植OpenCV应用程序的方案。3．研究如何在Windows下利用OpenCV实现某种模式的识别的办法，研究样本的处理和分类器的形成方案。4．研究模式识别核心部分分类器的性能，通过对分类器原理的理解，找出与分类器相关的因素，通过大量实验研究它们对分类器的影响，并提出优化方案。