随着光学、探测器以及信号处理技术的快速发展,噪声对于自动目标识别(ATR)系统性能的影响已经越来越小,背景杂波已经成为影响ATR系统工作性能的主要因素。研究基于机器视觉杂波的目的在于通过建立科学有效的杂波尺度,定量描述ATR系统进行目标探测的难易程度以及合理评估ATR系统的性能。本文首先对背景杂波相关基本理论进行了分析,包括杂波的基本概念,基本特性,人眼视觉杂波与机器视觉杂波的区别,常用的杂波量化尺度等。然后对多种图像预处理算法进行详细的阐述,并通过实验选择其中表现效果最好的基于数学形态学的TopHat滤波算法进行图像预处理,为后续研究图像预处理算法对背景杂波以及目标检测算法的影响奠定基础。针对目前的背景杂波尺度不太适用于建立与以机器视觉为核心的自动目标检测识别算法之间关系的问题,本文在对ATR算法的分析的基础上,利用轮廓和纹理两种常用到的特征建立了基于目标轮廓相似性的杂波尺度与基于灰度共生矩阵相似性的杂波尺度。这两种杂波尺度都是与目标特性相关的全局杂波尺度,与ATR系统性能之间的关系也更为紧密。利用建立的两种杂波尺度和相应的目标检测算法进行实验,初步建立了背景杂波与目标探测性能(虚警率)之间的定量关系,同时分析了Top-Hat滤波算法对于杂波量化以及目标检测算法的影响。上述对于杂波的量化以及目标的检测都是利用的目标一个特征,单一特征对目标信息的获取通常是非常有限的,而多特征能够将单特征所具有的优势综合起来,极大提高ATR系统的目标探测性能。对基于多特征ATR算法性能的衡量就需要建立与之相匹配的背景杂波量化方法,因此本文最后利用现有两种单特征杂波尺度以及线性融合的思想,建立了基于多特征的杂波尺度,通过与单特征杂波尺度进行实验对比,验证了该多特征杂波尺度的有效性。