随着信息技术的快速发展,图像识别技术广泛应用于人脸,数字及其他各种目标的识别中,因此在工农业、商业、军事应用中有着强烈的技术需求。图像特征抽取是图像识别技术中的关键环节,对其开展研究具有重要的理论意义和应用价值。论文针对无监督特征抽取方法开展了研究,并将其应用于红外车辆类目标的识别中。论文的主要内容如下:综述了多种基于深度网络的无监督特征抽取方法,分析了它们的优缺点,讨论了此类方法在中等规模数据样本情况下应用的局限,提出采用视觉词典类学习替代深度网络的无监督特征特征抽取思路。提出了一种基于视觉词典学习的单级无监督特征抽取方法。在阐述了无监督特征抽取的流程后,深入讨论了视觉词典的生成和编码器的选取对特征抽取的影响。提出综合利用Kmeans聚类、正交匹配追踪算法OMP(Orthogonal Matching Pursuit)和软阈值编码器方法从随机采样的样本块中学习特征抽取基,以提高识别的准确率。在Cifar-10和VOC2012数据集上,对改进后的单级计算结构进行测试,并将其与基于深度学习的特征抽取算法进行比较。实验证明,改进后的单级计算结构识别率高于原单级计算结构及大多数其他算法。验证了所提方法适合中等规模训练数据集的应用条件。模拟深度神经网络中的卷积层和池化层实现方法,采用空间金字塔池化方法,将提出的单级扩展为两级计算结构以提升其抽取更复杂特征的能力。在遥感建筑物自选数据集上测试的实验结果表明,两级计算结构优于单级计算结构及其他算法。提出了一种采用“似物性”检测和显著性检测与所提K-Feature无监督特征识别相结合的方法,实现从红外图像中检测红外识别移动车辆应用。针对实际拍摄的红外图像测试结果表明,该方法可有效地检测识别红外移动车辆,在单目标序列的检测识别率可达100%,在特别复杂的多目标序列情形中,其检测识别率也可达到约78%。