基于图像的目标识别技术己经在诸多领域得到了广泛的应用,目前,它已渗透到了医学、工业生产、航空航天、交通运输等各个领域。支持向量机(Support Vector Machine)在解决小样本、非线性以及高维识别等分类问题方面有突出优势,现已成为机器学习和数据挖掘领域的标准工具。论文研究基于二维熵图像处理和SVM的空中目标分类识别。针对空中目标容易发生旋转、尺度变化、遮挡以及对比度低等特点,提取了样本图像的轮廓特征、形状特征和统计特征构成的组合特征,并将基于统计学习理论的支持向量机(SVM)应用到了分类器设计上。图像分割的质量严重影响着后续的特征提取,进而影响算法识别率。论文中分析了传统二维直方图及其区域划分存在的不足,在二维熵图像阈值分割应用中有用信息丢失,不能有效消除噪声干扰。提出了基于灰度-梯度共生矩阵模型的二维Renyi熵和二维Arimoto熵两种新的图像阈值分割方法,实验结果表明,这两种方法具有很强的抗噪性,能很好的刻画目标的边界信息,有利于后续的特征提取。用新的图像阈值分割方法对空中飞机目标进行了分割,在特征提取的过程中发现,新方法刻画的目标边缘比较完整,适应性比较强。在研究了支持向量机模型及参数选择后,计算提取了样本图像的归一化组合特征矩阵,用LIBSVM完成了目标的模型训练,初步构建了空中目标分类识别系统。仿真实验证明文中的分类识别算法具有较强鲁棒性和满意的分类精度。