基于图像融合的自动目标识别,就是利用多种传感器提供的目标图像进行融合处理,提高识别的精度和鲁棒性,以得到更好的识别性能。这是一个很有前景的研究课题。目前图像融合的很大一部分研究工作集中在像素级融合,但是像素级融合要处理的数据非常多,数据在时间和空间上配准精度要求高,耗费时间长,实时性差。决策级融合是对各传感器的识别结果进行融合,信息损失大,性能较差。而特征级融合不仅可以增加从图像中提取特征信息的可能性,还可以通过对现有的各个特征进行综合,获取一些有用的复合特征,通过特征级的图像融合既能保持足够数量的有效信息,又经过数据压缩,大大降低了数据量,可以提高处理过程的实时性,越来越受到研究工作者的重视。基于特征融合的目标自动识别技术,是对目标的两种或多种传感器信息进行处理,提取并融合所得到的特征,对目标进行跟踪、识别的技术。本文主要针对目标图像的特征级融合识别方法进行了研究,重点研究了目标的特征提取方法和特征融合识别方法。本文的主要研究成果如下:1.针对基于正则化拉普拉斯矩阵的局部保留映射(NL-LPP)算法的不足,提出了不相关且正交的基于正则化拉普拉斯矩阵的局部保留映射(UONL-LPP)算法。该算法能够在保留原始数据空间的局部信息的同时,使提取的特征满足统计不相关性和正交性,从而具有最小的冗余,并有利于实现原始数据的重构。2.针对线性鉴别分析(LDA)主要提取数据的全局结构信息,而局部保留映射(LPP)主要提取局部结构信息的不足,提出了一种兼顾这两种特征的特征融合方法,称为全局局部特征融合分析方法(GLA),该方法通过引入一个调节因子,可以根据不同的应用调节这两种特征的权重,有效地提高了目标识别率。为了提高GLA的非线性处理能力,给出了基于核的全局局部特征融合分析方法(KGLA)。3.研究了基于典型相关分析的特征融合方法。针对当典型相关分析用于高维小样本问题时,由于矩阵奇异而失效的缺陷,提出了张量典型相关分析方法,该方法直接利用图像的矩阵形式从行和列两个方向进行特征抽取,不仅大幅度地提高了运算速率,而且识别率也有了一定程度的提高。