低分辨率场景下的目标分类与识别问题对社会公共安全和国防等意义重大。随着图像信息获取技术的巨大进步,人们对获取的图像信息的使用需求也越来越大,特别是在一些特定应用中,对图像中精细目标信息的需求愈加强烈。然而该类精细目标的图像分辨率相对较低,能够获取的有用信息量较少,在借助高分辨率模板图像进行目标相似性度量时,待识别低分辨率目标图像与高分辨率模板图像之间的维度空间不匹配问题,使得低分辨率场景下的目标识别和分类面临极大的困难和挑战。为了更好的实现低分辨率场景下的目标识别和分类任务,本文开展了低分辨率图像数据集的建立与分析,基于双层耦合映射方法,非线性多层耦合映射方法和低分辨率场景下的目标识别系统四个方面的相关工作。1)针对低分辨率图像数据集的生成和建立问题,首先,搭建了一个基于深度学习的远距离车牌图像提取网络,采用分步提取的方法,获取不同分辨率的远距离车牌图像。在此基础上提出了一种基于DCT系数的模糊车牌图像评价方法,利用DCT变换将空域中的图像变换到频域中,并在频域中提取图像左上角四分之一区域的信息作为图像的特征,进行六种不同分类器的训练和测试,实现远距离车牌图像分辨率的区分和低分辨率车牌数据集的建立。其次,将高分辨率人脸图像进行下采样,实现低分辨率人脸图像数据集的生成,为后期的低分辨率图像的分类和识别做好实验数据的准备。2)针对低分辨率目标分类中,待识别低分辨率图像和高分辨率模板图像之间的维度不匹配问题,提出了一种基于双层局部保持耦合映射（DLCLPM:Double layer coupled locality preserving mappings）的方法。已有的耦合映射方法将高分辨率图像和低分辨率图像映射到统一的子空间,并进行距离度量和分类。本文提出的方法将单层耦合映射结构拓展成双层结构,并在模型的训练阶段引入中间级分辨率图像,充分利用样本几何空间的特征和不同尺度图像之间的特征信息,进行有效性的特征信息互补。测试阶段,对目标进行分类时,利用双层结构中局部信息相结合,进行全局优化,并引入权值机制,获取了一种更加精确的度量方式。通过对比提出的DLCLPM和CM、CLPM、LGCM等算法在数据集FERET,Yale和CMU上的实验结果,提出的DLCLPM方法对低分辨率图像的识别具有更好的识别性能。3)为了能够改善图像数据线性不可分问题,提出了一种非线性多层耦合映射方法（NMCM:Nonlinear multilayer coupled mappings）。该方法根据原始高分辨率训练图像分离出来的多个不同分辨率级别的图像,将这些不同分辨率级别的图像和低分辨率图像构造多层耦合映射结构。为了获取可分性较好的耦合空间,本算法通过非线性映射将这些图像特征映射到更高维的空间中,利用核技巧实现非线性化的过程,并在变换之后的空间中建立多层耦合映射模型。将各层耦合映射相结合,构造出一个全局性的多层耦合映射结构。设计求解耦合映射矩阵的目标函数,通过对训练样本的学习,得到相对应的耦合映射变换矩阵。最后将测试样本映射到相应的多层耦合空间中,结合全局相似性度量进行目标的分类。通过对比五个数据集上与CM,CLPM,LGCM,DLCLPM算法的实验结果,提出的NMCM方法有效地提高了低分辨率图像分类的准确率,减小了单层耦合造成的信息损失。4)针对低分辨率场景下的目标识别问题,设计了一个目标识别软件,该软件功能分为两个模块。一个低分辨率人脸图像的识别模块,嵌入了非线性多层耦合映射模型,实现低分辨率人脸图像的判别。第二个模块实现远距离监控视频中的车辆检测,跟踪及车牌识别功能,可以对视频中的车辆目标的信息进行结构化显示与分析,并依据车牌图像识别结果,可以进行反向查询,从而获取特定车辆目标的信息。