目标识别是视觉系统的基本目的。如何从复杂场景中识别目标则是更加重要和困难的问题。局部不变性特征具有尺度和旋转不变性,对视点变化、光线变化以及噪声等仿射畸变都具有较强的鲁棒性,能够完成不同角度下获得的同一目标之间的可靠识别,但它的缺点在于每个局部不变性特征描述子一般选择高维,而且随着图像尺寸增加,描述子数量呈线性增长,因此计算量增大,很难满足目标识别系统的实时性要求。目标识别系统因计算资源有限和对实时性要求较高,要求计算量尽可能少。视觉注意是能解决这种计算资源消耗问题的一个十分有效的工具。人类的视觉注意能快速选择复杂场景下少量与视觉任务相关的信息进行处理,因此将人类视觉注意引入到基于局部不变性特征的目标识别系统具有广阔的应用前景。近几年来,相关研究已经提出了许多基于自底向上视觉注意和局部不变性特征相结合的目标识别方法。不过,现有的基于自底向上视觉注意和局部不变性特征相结合的目标识别方法还无法令人满意,其主要原因是显著图本身的质量不够高,典型的局部不变性特征方法不太适合低分辨率感兴趣区域匹配,视觉注意机制应用方式和方法也还不够成熟。因此,需要寻找更加令人满意的实现方法。本文充分总结和比较了现有的图像显著性检测算法和局部不变性特征方法。在此基础上提出了快速而鲁棒的显著性检测及局部不变性特征方法,并设计了基于视觉注意与局部不变性特征相结合的目标识别方法。本文的主要工作和创新点如下：(1)沿着频域信息和频率调谐的思路,本文提出两种快速而准确的目标区域检测算法,IHFT算法和IMSSS算法。针对HFT算法运行时间慢的缺点,IHFT算法把卷积运算变成点对点相乘运算进行频域信息加速处理；针对MSSS算法显著图融合运算的缺点,IMSSS算法用基于每个特征图熵计算的特征图挑选处理代替三个颜色特征图的相加运算。这两种算法的理论基础都较单一,对复杂背景下的目标区域检测都有一定的局限性。为了实现IHFT算法的IMSSS算法的优势互补,本文提出一种基于IHFT算法的IMSSS算法的综合算法,从而能够适应更多的复杂场景,提高算法的适应性和检测准确率。(2)沿着BRISK局部不变性特征方法的思路,本文提出一种新颖的对数-螺旋局部不变性特征方法,简称为LOS-K。针对复杂场景下进行感兴趣区域检测之后得到的图像是尺寸小而低分辨率的情况,本文首先设计了一个可以提高低分辨率图像匹配性能的局部不变性特征检测器。跟图像金字塔方法不同,提出的检测器使用对数-螺旋采样模式来估计局部不变性特征的位置、尺度和方向。同时提出一种有效的描述子生成方法。该方法依赖于一种能捕获局部不变性特征周围的更多信息的对数-螺旋采样模式和两种能提高描述子之间的独立性的比特生成函数。实验表明新方法的有效性和鲁棒性。(3)针对复杂场景下的目标识别问题,提出一种基于注意-识别融合模型(Attention-Recognition Fusion Model,简称ARF模型)的目标识别方法。该方法利用局部不变性特征方法来识别由自底向上显著图和自顶向下亲密图相结合方法所获得的感兴趣区域。该方法通过引入自顶向下的注意部件,从而选择感兴趣区域而忽略无意义的杂乱,降低基于局部不变性特征的目标识别的复杂性。对于合成测试图像、自然测试图像以及复杂场景下的交通标志识别问题,本方法在不降低识别率的情况下大大提高了识别速度,平均3倍。