计算机视觉系统的目标是解释已有的"视觉"数据,并使用这些解释去完成任务.出于机器人工件抓取任务、自动导航、自动检测、装配任务与医学图像的分析等等大量现实应用的需要,如今目标识别已成为一个很活跃的研究领域.现有的很多目标识别方法主要是基于模板匹配,和几何形状特征点提取分类等方法,这些识别方法存在很多缺点,比如基于图像匹配的方法直接比较两幅图像相应象素灰度级之间相似性的总和.这种方法并不具备方向、尺度、几何畸变等不变性,这就需要目标图像相关性很强,对图像畸变的容忍程度非常有限,这也是3D目标识别的一个难点所在.本文主要针对以奇异值特征为代表的代数特征方法,在3D目标识别及姿态估计等方面做了大量研究工作.由于图像的代数特征反映图像的本质,尽管它的物理意义并不十分直观,但是它对模式的分类仍起着重要的作用,因此对目标图像进行代数变换抽取反映目标图像内在属性的代数特征来进行目标识别,这是目前目标识别领域一个很有潜力的方向.首先深入研究特征空间方法原理,并对识别过程中的两个关键步骤:特征表达和相似性度量做了具体实验和研究工作,实现基于特征空间目标识别系统,其中采用了几种有效的改进方法,有效的解决了识别过程中存在的诸如光照以及3D目标姿态估计等问题,提高了识别鲁棒性.完成基于特征空间的目标识别算法以后,考虑到目标所有N幅图像样本不能全部同时得到,需要每次得到新图像的时候重新计算一个符合要求的SVD(Singular Value Decomposition),这将花费O(mN<3>)的时间(m为图像象素个数),计算量过大.进一步对特征空间更新方法进行研究,得到快速而且稳定的SVD更新算法,对更新过程中特征向量的保留、更新速度等问题做了进一步的探讨.最后,将特征空间更新和基于特征空间的目标识别方法相结合,得到可以实时学习的识别方案.