本文研究了基于机器学习的多传感器目标识别技术,针对能够将SIFT高维特征向量表示成低维特征向量的"词袋"模型的构建进行了改进,并将其应用到了全局特征和局部特征结合以及红外和可见光图像融合的目标识别中。首先,研究了基于全局特征的目标识别。对支持向量机分类的原理进行了研究,使用一对一法构建了基于支持向量机的多分类器,提取了可见光图像的LBP特征之后,使用支持向量机对其进行分类识别时出现了样本得不到分类识别的情况。对此提出了两个改进策略,通过实验对比说明了两个策略各自的特点。其次,研究了基于局部特征的目标识别。对使用k-means聚类算法的"词袋"模型进行了改进,在已有的k-means聚类算法的研究基础之上做出了相应的改进工作,通过使用UCI数据集对改进后的算法进行实验,结果证明了改进后的算法在聚类效果上要优于改进前的聚类效果。使用改进后的聚类算法构建了基于SIFT的"词袋"模型并进行了实验,结果证明了改进后的算法可以提高目标的识别率。最后,分别研究了基于特征级和决策级的目标识别。使用可见光图像进行了在决策级上局部特征和全局特征相结合的识别实验,融合了 SIFT特征和LBP特征,实验过程中提出了两种结合方法,结果证明了融合两种特征可以提高目标识别率。使用红外和可见光图像进行了融合两种传感器特征的实验,在两类图像的样本数量不对等的前提下,结果证明了相比于单个传感器,使用两种传感器更能够提高对目标的识别率。