图像目标识别技术是计算机视觉领域的研究热点,经过几十年的发展,虽然该方面的研究已经有了许多令人鼓舞的研究成果,但是由于问题本身的复杂性,图像目标识别仍然是一个具有挑战性的问题。本文从成像条件变化时图像具有不同成像状态的角度出发,构建了对目标成像条件的大范围变化具有适应性的图像模型并用于目标识别。论文对图像的表征、图像建模与模型训练、图像目标识别等方面的关键技术进行了研究。开展的工作和取得的成果主要有以下几个方面:(1)图像的属性图表示模型和属性图相似性度量定义。在对图像局部不变特征进行稳健特征选择的基础上,通过综合利用图像的局部特征信息和特征的空间分布信息,将图像用属性图进行表示。图像的属性图模型不仅利用了局部特征信息,而且利用了特征的空间布局,有利于图像模型识别性能的提升。在对图像进行属性图表示后,接下来综合利用图像的局部特征信息和特征点的空间布局进行特征匹配,得到属性图特征点之间的匹配关系,最后根据匹配关系定义属性图相似性度量。属性图相似性度量将用于后续的图像建模以及目标识别。(2)类属超图模型的构建与模型快速训练。以目标不同成像条件下的图像对应的属性图组成的图集为训练集,构建了一种以属性图为顶点,以属性图之间的相似性关系为边的图像目标模型,称为类属超图(Class Specific Hyper Graph,CSHG)模型。该模型的构建过程中首先建立了目标的初始类属超图模型,然后基于提出的属性图相似性传播聚类思想,给出了一种构建图的家族树(FTOG:Family Tree of a Graph)的方法,经训练可得到具有强的类专属特性的FTOG,由这些FTOG综合构成了对感兴趣目标的类属超图模型。类属超图模型不仅利用了图像的局部特征描述信息,而且利用了特征的空间分布信息,能够适应图像成像条件的大范围变化。模型的快速训练是模型的核心研究问题之一,基于RSOM聚类树搜索方法,给出了类属超图模型的快速训练算法。类属超图模型的快速训练方法提高了模型的训练效率,使得模型具有更强的实用性和可行性。另外,模型快速训练算法中的聚类搜索思想同样可以用于基于类属超图模型的目标识别过程中,可以有效提高目标识别的效率。(3)类属超图模型的优化训练与智能化训练。为了得到优化的类属超图模型,给出了类属超图模型的优化训练方法。类属超图模型的优化包括两个阶段的训练,第一阶段的优化训练是基于类属超图模型上定义的熵函数,得到熵最小化准则下一定数量的FTOG,以保证训练所得模型结构的紧凑性;在第一阶段优化训练的基础上,第二阶段的优化训练是基于亲缘传播聚类(Affinity Propagation Clustering,AP)算法精简类属超图模型中各个FTOG聚类中的冗余属性图。经过两阶段的优国防科学技术大学研究生院博士学位论文化训练,得到优化的类属超图模型。在此基础上,可进一步对模型进行增量训练和自主训练,统称为智能化训练。针对新样本到来的情况,给出了类属超图模型的增量训练算法。在类属超图模型增量训练过程中,新增训练样本的类别信息可能是不能完全确定的,这时需要模型具有以一种弱监督的方式自主进行训练的能力,本文给出了类属超图模型的自主训练方法。增量训练和自主训练都是模型需要具有的重要能力,这两种能力使得模型具有更强的实用性。(4)基于类属超图模型的图像目标识别与标注。针对简单背景条件下的图像目标和复杂背景条件下的图像目标,分别给出了基于类属超图模型的目标识别算法。利用给出的识别算法可以完成复杂成像条件下的图像目标识别。在目标识别的基础上,给出了目标区域标注方法。最后,对类属超图模型的构建过程与基于类属超图模型进行目标识别的过程进行综合,给出了完整的基于类属超图模型的图像目标识别系统设计方案。