目标识别，在广义上讲又称为模式识别，继计算机和人工智能兴起之后，模式识别在六十年代迅速发展称为一门学科。所谓模式，是指我们对具体事物观测得到的具有空间和时间分布的信息，而把不同的模式分到某一类别中去的过程就是识别。模式识别的研究主要包括两个方面的问题：一是对生物体感知识别对象机理的研究，属于认知科学范畴；二是对模式分类和识别的理论以及方法的研究，这也是我们文章中所研究的主要问题。当前出现的各种智能监测系统，使得我们对目标事物所收集的信息已经不是单幅分散的图像而是一个个视频序列，其中包含大量连续的类似的图像信息。为了利用图像之间的相关信息来改进图像目标识别结果，我们借鉴了图像增强的相关原理和雷达目标识别中使用的平均模板法，提出了利用属于同一模式类中的多个样本信息来提高目标识别率的方法。在我们提出的方法中包含两种不同的信息融合方法，一种是对用多幅图像重构得到的图像求均方误差法；另一种则是对单幅图像求均方误差，然后综合这些均方误差来做判别的方法。我们在三个人脸数据库(AR、AT&T、GT)上采用了三种不同的降维方法(主成份分析法，随机矩阵降维法和下采样法)对三种识别方法基于协同表示的识别方法(CRC),基于稀疏表示识别方法(SRC)和线性回归识别方法(LRC)的识别结果做了比较分析，实验结果表明，我们提出的方法使识别率有了明显的提高，根据所用分类方法的不同识别率有了最低5%左右的提升，其中最高的提升达到了20%。此外，我们还将基于协同表示的识别方法(CRC)和线性回归识别方法(LRC)应用到雷达高分辨距离像目标识别上，检验了它们在MSTAR雷达数据库上的识别结果，并跟基于稀疏表示识别方法(SRC)在雷达数据上的结果做了比较。