图像识别是近20年发展起来的一门模式识别技术,可将人的视觉认知和理解过程用现代信息处理技术和计算机技术来完成,它以研究根据提取图像的特征进行识别和分类为主要内容,广泛应用于文字识别、指纹识别、遥感、医学诊断、工业产品检测、卫星航空图片解释等领域。提取图像特征时,为使目标图像具有平移、旋转和比例不变性,可根据矩算法提取不变矩特征,包括Hu矩、Zernike矩和小波矩。Hu矩和Zernike矩都是在整个图像空间中计算,得到的是图像全局特征,容易受到噪声干扰。尤其当可用样本的数量较少时,选择最能表示图像的特征就显得非常重要。基于小波变换的小波矩能同时得到图像的全局特征和局部特征,更适合识别相似形状或者有噪声干扰的目标图像。在模式分类方面,可采用BP神经网络,但BP网络具有容易陷入局部极小点、收敛速度慢、识别率波动幅度较大等缺点;小波神经网络通过对BP网络结构的改进,解决了BP网络的收敛速度缓慢等问题,却具有初始化参数过程复杂、多维输入情况下计算量剧增等缺点。支持向量机(Support Vector Machine--SVM)是建立在统计学理论的VC维理论和结构风险最小化原理基础上的一门新兴学科,能较好解决局部极小点、高维数、非线性等实际问题。基于统计的图像识别方法(如模板匹配)只有在样本足够大时,性能才有保证。实际中有时难以提供大量样本,这样就可能因信息量不足而导致识别准确率和推广能力下降;神经网络作为分类算法时推广能力十分有限。为此本文提出一种小波矩结合支持向量机的目标识别算法,这种算法立足寻找现有样本信息下的最优解,适合分析小样本。为验证该算法的有效性,本文仿真实验是在计算机平台Windows Vista操作系统和MATLAB 7.8.0的环境下进行,将五类坦克,每类3幅,一共15幅坦克标准二值坦克图像为训练小样本,对在无噪声和有噪声干扰两种情况下的共300幅图像进行特征提取和分类识别,实验结果表明:在小样本情况下,小波矩结合支持向量机的算法具有较好的识别性能。