飞行目标识别与跟踪作为机器视觉和模式识别领域的一个重要研究内容,在敌我识别、智能防御、自动火炮等军事领域具有重要意义。在飞行目标识别与跟踪的过程中,由于飞行目标速度快、距离远、背景复杂等因素,飞行目标的识别以及跟踪是一个极富挑战的难题。本文紧扣飞行目标识别与跟踪的核心问题,从飞行目标分割、飞行目标识别和飞行目标跟踪三个方面进行了研究。针对一般增强算法存在丢失目标细节信息的问题,本文提出了一种基于小波分解的分层自适应图像增强方法。该算法根据图像小波分解的低频部分计算出相应的对比度信息,以实现自适应分层,然后依据分层的结果确定自适应增强函数,以此达到在增强图像的同时保留足够的细节信息。为了满足实时性以及分割完整的需求,本文使用了一种基于一维最大熵阈值分割和角点检测相结合的飞行目标分割算法。该算法能够依据图像的特点,自动地选择分割算法,从而在保证实时性的同时较完整地分割出目标。其次,针对利用单一特征对目标识别正确率低的问题,本文引入了Dezert-Smarandache理论(DSm T),发展出了通过三个证据源的融合识别出目标类别的算法。算法利用支持向量机对目标的梯度方向直方图特征以及成对几何直方图特征的分类信息,并结合目标的速度信息构建相应的证据源,最后通过DSm T方法进行融合。仿真结果表明,本文的融合识别方法相较于单一目标识别的方法,识别正确率更高。最后,为了解决多目标跟踪,在目标轨迹相近甚至相交时,容易跟踪丢失的问题,结合DSm T理论,本文使用了一种基于多信息融合的跟踪算法。算法在考虑目标的运动信息的基础上加入了目标属性信息。算法利用卡尔曼滤波对目标的位置进行预测,对预测位置处的观测值进行属性分析,以此确定准确的目标位置。从而解决了目标轨迹相近甚至相交时的目标跟踪丢失的问题。