深度学习的日趋进步,使得计算视觉的发展也不断突破。目标识别也已经在各个领域得到了广泛的应用。在提升效率的研究中,算法层面和硬件加速层面都有了极大的发展。然而对于前端图像获取处理部分的关注都比较少。通常来说图像传感器和图像信号处理（Image Signal Processing,ISP）系统是所有摄影设备中最耗能的组件,这部分的优化也能在整体上产生裨益。并且实际上机器视觉识别算法的准确度与图像的感知质量关联并不紧密。鉴于以上情况,本文从计算机视觉的角度对ISP进行架构优化的研究,通过对ISP的功能进行逐模块的拆解分析,研究不同质量的图像即所代表的各模块对目标识别准确率的影响,从而实现对ISP架构的优化。依据研究方向,本文首先提出了一条符合当前所有ISP设计基本原则的ISP流程。其次,为了更客观的模拟图像处理效果,本文以传感器输出的原始RAW格式图像作为实验对象。但是由于RAW格式数据集都是非公开的,所以本文首先对最终用于目标识别的数据集进行逆操作,将其恢复至RAW格式。在实验中为了明确图像处理各模块的影响,本文对各模块采取单独启用与单独禁用的方式,根据设计的测试方案使用目标识别算法进行测试。通过将各方案的测试结果与原图测试结果相比较,推断各模块对于目标识别算法的影响率。本文的测试部分采用YOLOv3算法。根据YOLOv3的识别效率参数平均精度（Mean Average Precision,m AP）和交并比（Intersection of Union,Io U）,界定识别效果。同时本文还提出了对图像进行下采样,判断图像在将分辨率降低至固定级别时的目标识别的准确率,更好的提升场景适应性。实验结果表明,就图像处理过程的目标识别来说,颜色插值与色调映射对原图识别率影响最大。其中,仅颜色插值单一处理的识别可达原图识别率的79.28%;仅色调映射单一处理的识别可达原图识别率的60%;若兼顾颜色插值与色调映射同时响应的话,原图识别率可达90%以上。就下采样来说,原图在由8bits下采样至4bits及以前能达到原图95%以上的效果,仅同时启用颜色插值与色调映射的图像下采样至4bits及以前能达到85%以上的效果。