精准有效的图像识别与目标检测在计算机视觉领域起着十分重要的作用。随着研究的深入,尽管在这些领域已经有了许多的技术突破,但是模糊条件下的图像识别与目标检测仍然面临着巨大的挑战。其中最重要的原因之一在于,大多数现有建立完善的视觉特征（如LBP和卷积神经网络特征等）通常不能够保证模糊不敏感性,这导致了当测试集图像从清晰变为模糊条件的时候,算法精度产生了可观的下降。针对这样的问题,本文展开了一系列模糊条件下的图像识别与目标检测技术研究。以纹理图像为研究对象,针对现有纹理特征模糊不敏感性较差且在模糊条件下表达能力不足的问题,本文提出一种同时保证强判别力和模糊不敏感性的纹理特征描述子。该方法基于归一化的模糊不敏感特征图,分别在特定特征图上像素点邻域间建立空间信息交互,在不同的特征图之间的像素点邻域间建立通道信息交互。接着,在空间和通道维度上提取梯度方向直方图构成原始形式的特征。最后,结合多尺度Fisher vector（FV）编码以进一步提升特征表达能力。对于模糊纹理识别,该方法在多种纹理和模糊类型上均具有有效性。针对传统FV编码算法中局部特征的提取过程存在大量判别能力不足或模糊不敏感性差的局部特征的问题,本文提出一种局部模式挖掘策略,通过构建全局信息熵和模糊不敏感系数分别对局部特征的类间判别能力和模糊不敏感性进行度量,并基于二者构建联合度量系数与局部模式挖掘机制,以过滤对分类无效的局部特征,挖掘判别能力强且模糊不敏感性高的局部特征,提升经过FV编码后全局特征的表达能力。实验证明该方法能够进一步提升全局特征对于模糊纹理识别任务的表达能力。针对现有经典目标检测算法在图像模糊的测试条件下的鲁棒性差的问题,本文提出一种基于域迁移适应的目标检测算法,设计了特征金字塔式的域迁移结构层级式地对齐骨干网络中不同深度的特征图与目标级的特征,并利用多标签分类损失作为监督增强骨干网络特征提取的能力,有效地提升了模糊图像下目标检测算法的精度。