近年来,随着人类对海洋认识和探索的进一步深入,加大对海洋信息的掌控在现实生活中显得愈发重要,其中,对水面目标的自动识别就是最重要的课题之一。由于水面情况复杂,不可预测的因素较多,这给实现水面目标的自动识别带来了相当大的困难。在基于目标轮廓特征提取与识别方面,两种传统方法(基于不变矩和基于PCA(主分量分析))是针对全局特征进行自动目标识别的,由于是在模拟条件下进行的估计,又由于ROI(感兴趣区域)算法的定位不够准确,因此这两种方法在识别时有很大的局限性。本文中,我们首先对图像模式识别的基本理论、方法及应用现状进行了分析,结合水面目标识别的要求对图像预处理相关的内容进行了研究,主要针对脉冲噪声的滤除和图像分割两方面进行探讨,并根据实验结果的比对确定了图像滤波和分割的方法。其次,通过对基于不变矩和主分量分析的目标识别方法的研究及结果分析,我们提出了一种基于目标局部特征的由逐块的二维Hadamard变换和高斯混合模型分类器组成的方法。实验表明：这种方法对目标超出视野范围的情况有很好的鲁棒性,对由于深度的影响而产生的比例变化也有一定的鲁棒性。传统方法在进行目标自动识别时,不变矩方法即使在较好的环境中识别效果也很差,并且当目标超出视野范围或被遮挡时影响更为明显。PCA方法受比例变化和超出视野范围的影响也很大,而对噪声和被遮挡有相对较好的鲁棒性。最后,本文针对目标识别过程中训练和测试的轮廓角度(由平面外的旋转引起的)不相符的情况,通过使用几个空间相距很远的角度来实现训练集合的扩展,从而完成对目标的识别。