自动目标识别技术是工业机器视觉和武器制导系统的关键技术之一。40多年来，对这项技术进行了广泛而深入的研究，各种面向复杂应用背景的ATR系统也不断涌现。但由于该研究领域的复杂性和特殊性，使得多数传统目标识别方法无法取得令人满意的效果。小波分析因其良好的时频局部化特性，已经成为信号处理和图像分析系统中的有效工具；不变矩的抗噪性和相对于目标几何变换的数值稳定性，使其被广泛使用在各种目标识别系统中；多尺度几何分析克服了传统小波变换方向选择性差的缺点，能提取目标在任意方向的几何结构特征，另一方面，研究发现即使是相当低级的哺乳动物，其对于视频景象的辨别能力也远远优于当前的任何一种ATR技术。因此，研究融合小波分析的多尺度局部分析能力、矩特征的抗噪性、不变性、多尺度几何分析捕获目标多尺度、多方向高阶奇异特性能力以及神经网络的知识获取、知识综合和并行高效的数据处理能力的新型ATR技术，可望为自动目标识别技术的发展提供有益的思路。　　 本论文的工作主要围绕小波分析、小波神经网络及多尺度几何分析在自动目标识别技术中的研究展开，论文的研究重点包括：目标区域的小波不变矩特征提取及其不变性研究、小波基函数对小波不变矩特征的影响、多尺度目标分类算法、多尺度小波变换域内矩特征的快速算法、小波神经网络在目标识别中的研究和基于局部Contourlet域二值模式特征的目标识别方法等方面。另外，对复杂场景下自动目标检测和目标检测中特征选择等问题进行了深入研究，提出了一种基于粒子群优化和支持向量机的自动目标检测算法。　　 本论文的主要研究内容和创新性工作包括：　　 1.提出了一种基于粒子群优化算法和支持向量机的自动目标检测算法，为复杂场景下　　 目标姿态变化和被遮挡时的目标探测技术提供了新的思路。　　 2.提出了描述目标区域特性的小波矩特征，从理论上证明了小波不变矩的构造定理，通过实验验证了小波不变矩的不变特性，比较了小波不变矩与Fourier描述子及全局矩不变量对相似目标的特征鉴别能力。　　 3.研究了小波函数的支集长度、对称性、正交性、消失矩阶数和正则性对小波不变矩分类性能的影响，得出了选择“合适”小波函数进行目标识别的初步结论：（ⅰ）.紧支集小波分类性能优于非紧支集小波；（ⅱ）.对称小波分类性能优于非对称小波；（ⅲ）.双正交小波分类性能优于正交小波；（ⅳ）.适当的消失矩小波能提高分类性能。　　 4.提出了一种基于全局不变矩和小波不变矩的多尺度目标识别方法。该方法利用全局不变矩和小波不变矩的各自优点并结合多尺度分析，提供了一种由粗到精、从全局到局部的多尺度逐级匹配的思路。实验结果表明，基于全局不变矩和小波不变矩的多尺度目标识别算法比仅使用全局不变矩或小波不变矩特征的目标识别方法具有更好的识别效果、更高效的识别效率和更广的适用范围。　　 5.提出了多尺度小波变换矩概念并将其推广到二维情况，多尺度小波变换矩将小波分解和不变矩理论联系起来，为通过小波变换计算几何矩提供了理论依据。提出了一种基于投影变换的二维多尺度小波变换矩快速算法。该快速算法通过投影变换将二维图像小波变换低频分量信息投影到一维空间中，降低了多尺度小波变换矩的计算复杂度，而且保证了计算精度。　　 6.提出了一种基于目标边界特征的小波神经网络识别方法。该方法利用小波神经网络整合小波分析提取信号局部奇异特征和人工神经网络白适应学习分类的优点，以目标边界规范化曲率函数在特定尺度和位置处的连续小波变换模值为特征进行自动目标分类。小波神经元尺度和位移参数的初值可以由目标边界曲率的时频分析确定，同时，网络能通过训练自适应地调整这些尺度和位移参数，使小波神经元能自动提取并选择区分各类目标形状差异的最优尺度因子和位移因子，因而即使在噪声较大的情况下，小波神经网也有较好的分类能力。对于多类目标识别的场合，本文设计了一种MNSO（MultiNetwork Single Output）型神经网络结构。与传统多目标分类网络相比，MNSO模型灵活性更大，MNSO可以根据目标类别数量的改变，动态地增减和训练神经子网，从而自适应地调整网络结构。　　 7.提出了一种新的基于Contourlet域的局部特征描述子-LCBP（Local ContourletBinary Pattern），通过实验和信息论测度研究了LCBP特征的边缘统计模型和条件统计模型。在此基础上，用隐马尔可夫模型对LCBP系数建模，并提出了基于隐马尔可夫模型的LCBP目标识别算法，取得了较传统小波变换更好的识别结果。