针对光路对接准直目标识别算法对双目标粘连状态无法判别的问题，提出了基于二进制大对象（Binary Large Object，BLOB）区域和边缘特征分析的准直图像双光学目标识别方法。首先，对二值化图像进行数字形态学处理，计算全图各BLOB区域的面积、中心、轴长、区域、有效BLOB区域个数等信息。其次，对有效BLOB区域个数大于1的完全分离双目标准直图像，统计各BLOB区域中心分别为位于两个面积最大的BLOB区域内的BLOB数量，数量小的候选BLOB区域为主激光目标，数量大的候选BLOB区域为模拟光目标。然后，对于有效BLOB区域个数等于1的待识别图像，从左、右、上、下4个方向分别提取模板边缘图像的有效坐标序列和待识别边缘图像坐标序列，搜索有效坐标序列和待识别边缘图像坐标序列的最大相关系数对应的有效坐标序列。当4个方向的相关系数全部大于0.95时，待识别图像为模拟光目标；当4个方向的相关系数都小于0.95时，待识别图像为主激光目标；否则待识别图像为粘连图像。实验结果表明：提出的双光学目标识别算法，不仅能够识别完全分离的模拟光目标和主激光目标，误差小于3个像素，处理时间小于1 s，而且能够判别处于粘连状态的光学目标和单个独立的光学目标，满足光路对接准直图像识别算法对于自适应性、精度和效率的要求。

在**空中目标识别领域，由于样本数量缺失，现有人工智能算法无法完成准确识别。文章利用已有足量辅助域图像辅助少样本应用域进行跨域目标识别，解决因标签缺失与样本稀疏导致的识别模型泛化能力不强及性能不佳问题。文章提出一种基于深层-浅层双流学习图模型（D-SLGM）的跨域目标识别算法。首先，提出一种深层-浅层双流特征提取算法，解决无监督少样本条件下特征表示困难的问题；同时，提出一种基于图模型的特征融合算法，实现特征间高精度融合；基于融合后的特征训练识别模型，提升算法的泛化能力。使用自建空中目标数据集，设计三种应用场景。实验结果表明，D-SLGM平均识别准确率均值达到78.2%，优于对比方法，在实际空中目标识别应用中具有较大潜力。

合成孔径雷达（Synthetic Aperture Radar，SAR）图像目标识别是SAR图像解译的重要应用。为提高SAR目标识别的稳健性，本文提出基于深度信念网络（Deep Belief Network，DBN）的属性散射中心匹配方法。属性散射中心参数特征丰富，能够很好地反映目标的局部散射特性。DBN发挥深度学习优势，可以实现测试样本与模板样本散射中心集的稳健匹配，并且能够较好地适应噪声干扰、部分缺失等情形。在构建的属性散射中心匹配关系的基础上，定义相似度度量准则。基于最大相似度的原则确定测试样本所属类别。实验依托MSTAR数据集开展，经验证，所提方法对于SAR目标识别问题具有良好的有效性和稳健性。

基于手机成像质量颜色评价的必要性，提出一种融合相机主观场景成像色彩和白平衡的自动评测方法（CIQA），以充分提取彩色图像相关特征并模拟人眼视觉感知特性来评价图像颜色。首先使用尺度不变特征变换（Scale-invariant feature transform，SIFT）与透射变换相结合的方法，标识主观图像中ColorChecker标准二十四色卡对应的位置；而后构建离差率最小二乘法模型，并采用专家赋权法和熵权法计算色彩还原和白平衡指标权重分配比例；最后，通过多指标权重值对TOPSIS（Technique for Order Preference by Similarity to an Ideal Solution）进行改进，确定各方案与典型正负理想方案的接近程度，实现对智能手机成像质量颜色的优劣排序。对真实场景采集的图片进行实验，并与现有的两种决策方法进行对比验证。结果表明，所提方法能提高评价效率、节省人力，并可以获得与人眼主观判断一致性较好的评价结果。

为了解决“猫眼”目标在夜晚环境下难识别的问题，提出了一种基于归一化中心矩的轮廓匹配“猫眼”目标识别方法。首先利用中值滤波对图像进行去噪，采用固定阈值分割完成了对图像的分割，使得“猫眼”目标与部分背景分离，使用Roberts边缘检测提取出了所有物体的边缘，最后采取了基于归一化中心矩的轮廓匹配算法，该算法不受平移和放缩的影响，提取出了图像中的所有圆形目标，并利用面积判别识别了真实目标，对识别出的目标绘制最小外接圆，利用圆心坐标对其定位。通过对不同光照强度下的“猫眼”图像进行实验与对比，验证了该方法的可行性，并通过目标识别评价指标验证了该方法的有效性。实验结果表明，该方法的全局准确率可达92.1%，可以在夜晚环境不同光照强度下成功地对“猫眼”目标进行识别。