随着红外成像和计算机视觉技术的高速发展,红外图像的目标识别技术在各个领域都有广泛应用。目前在红外场景下,基于模板匹配和学习分类的目标识别方法虽然能获得良好的目标识别效果,但是它们对模板和训练样本的依赖性很高,并且对一般的红外目标识别的泛化能力弱。针对这一问题,本课题对非训练的红外图像目标识别方法开展研究,引入局部匹配的思想,提出了一种鲁棒的使用简单模板集的基于局部相似结构统计匹配(Local Similar Structure Statistical Matching, LSSSM)模型的红外目标识别方法。在研究基于非训练的红外图像目标识别方法的基础上,深入研究了一种自适应回归核(Locally Adaptive Regression Kernels, LARK)的特征提取方法,并将其应用于红外图像的局部结构特征的提取。本文使用少量感兴趣红外目标图片构建简单模板集,提出了一种去除模板集相似结构的降维方法,获得具有感兴趣目标属性的互不相似的局部结构集合。为了实现对具有复杂结构的红外目标的鲁棒识别,提出了一种局部匹配模型,通过统计测试图片局部区域内包含与模板集相似的局部结构的数量,从而生成测试图像与目标的相似度图像。本文还通过研究非极大值抑制的方法,将其用于提取相似度图像中的目标信息,然后把目标在测试图像中标示出来。本文LSSSM方法相比于模板匹配和训练学习的目标识别方法,不需要全面模板而且也没有复杂的训练过程。实验结果表明,本文方法对复杂夜视场景下红外人体和红外车辆等典型目标具有稳健的识别能力。