对海域船只进行分类,是实现海上安全和交通控制需要考虑的一个重要问题,其在民用和军事行业都有着广阔的应用前景。与其他目标识别相比,海域船只图像受光照、视角、尺度、背景等环境因素影响更大,因此其分类也具有更大的难度。通过对已有的海域船只分类方法的研究,发现存在以下问题:首先,如何提取图像的特征以更好地表述目标一直是该领域的重点问题之一;其次,现有的研究大多数只会选取单一的特征或者是简单拼接的特征用来描述图像,致使特征的互补效能大大降低。现有特征结构融合方法采用统一的度量标准定义了特征的结构矩阵,对不同特征可以进行有效融合,但由于其基于无监督学习方法,在特征融合的过程中并没有将特征的类别信息融入其中,因而分类的性能有待提高;最后,在原始特征维度极大的情况下如何能既快速有效的构造特征结构,又可以考虑多特征的类的自然分布结构也是一个有待解决的问题。针对以上问题,本文进行了相关研究和实验,主要内容如下:(1)对于如何提取更优特征描述海域船只图像的问题,本文前期进行了大量实验,分别提取了VAIS数据集的不同传统特征和卷积神经网络特征,并结合SVM分类器,得出了单一特征的分类结果,对比分析后挑选出了表述力较高的两种特征。(2)借鉴基于局部保留投影的结构融合方法对数据集进行特征结构融合实验,在构造特征内部结构时,用卡方距离和欧氏距离分别构造了特征的内部结构,并对实验结果进行了对比分析。(3)对于局部保留投影的结构融合方法没有融入特征类别信息的问题,本文提出了将结构融合思想与有监督的线性判别分析思想进行结合的方法,并进行了相关实验。(4)针对因为原始特征维数大,构造其内部结构过程中运算量大、内存消耗大、且特征类别信息辨识度弱的问题,本文提出了一种构造特征内部结构的新思路。该方法主要包括三个方面:一是不同种类特征的各自类间权值矩阵的构建,二是不同种类特征的类间权值矩阵融合,三是特征加权拼接后的样本间权值矩阵构建。该构造方法既保证了类内结构的一致性,又保留了类间结构的判别信息,同时大大降低了构造过程中的运算量。(4)对于线性判别分析算法计算效率低的问题,提出将运算快捷的谱回归判别分析思路与本文新的结构融合思路进行结合的方法。在VAIS数据集上进行实验,可以将原本102400维的高维特征降至5维,白天可见光图像的分类准确率可达到88.53%,红外光图像可达74.86%,成对图像准确率可达88.34%。结果表明,改进后的结构融合方法,不仅在特征维度上得到了极大的约减,还很好的融入了特征的类别结构信息,且取得了优于结构融合方法或线性判别分析的实验结果。(5)在MATLAB平台上开发了一款海域船只分类的软件,在交互界面可以自行设置结构融合过程中的模型参数并训练模型,还可以选择单幅船只图像进行分类识别。