如何在先验知识缺少、环境变化复杂的情况下对即时感兴趣目标进行检测与识别是战场光学图像识别系统需要解决的关键问题。本文以构建在可见光条件下具有广泛适应性的目标识别模型为目的,对目标图像的表示、目标模型的训练和构建以及目标的跟踪和识别进行了研究,重点针对目标成像变化过程中的近似连续性,研究了目标特性知识的自我学习和自我更新、检测与识别的一体化方法,并在着重解释基于类属超图的目标检测、跟踪和识别原理的基础上,设计和实现了一种基于目标类属超图模型的目标识别系统。论文研究成果在图像目标识别、图像检索等诸多领域具有广泛的应用前景。本文所做的主要工作包括:首先针对即时感兴趣目标在复杂环境下各种不同的成像状态,强调了识别任务的艰巨性。本文引入并依靠SIFT特征对于仿射、部分光照变化的适应性,提出了对于目标特性知识具有无监督学习特性的CSHG模型,从目标特性描述和目标模板更新两方面着手,利用Haar-Adaboost特定目标的检测方法提取的目标图像作为识别系统的输入实现了特定目标在环境变化过程中的稳定识别,验证了CSHG目标模型对于复杂成像环境的适应性。然而,即时感兴趣目标的选择往往具有不确定性,而Haar-Adaboost目标检测方法是一种基于样本统计的目标检测方法,在实现稳定目标检测方法之前需要准备大量的目标样本和非目标样本,这对于即时感性目标的检出是不利的。本文利用RSOM的快速匹配特性和CSHG目标模型的自我学习特性,提出了基于CSHG—体化的目标检测、跟踪与识别方法,从零目标知识不断学习构成目标模型,从而实现多个即时目标的快速检测和识别。最后,根据整个系统的性能需求,基于上述的基本原理的论证,构建了基于类属超图模型的即时目标跟踪和识别系统的框架,完成了各功能模块的设计,利用多机协同的超强计算能力,完成了系统的搭建和实现,实现了整个系统的运行。