贫点阵目标图像出现几率大、应用面广，对其进行深入学习，有着重要意义。论文分析了贫点阵目标图像的成像及探测机理，对识别过程中涉及到的关键理论和方法，例如图像超分辨率重建、水平集方法图像降噪、对数极坐标空间内的边缘特征提取与决策分类等，做了详尽研究，并通过性能实验和对比实验验证了算法的有效性和优越性。　　 论文具体的创新性工作概括如下：　　 (1)设计并搭建了贫点阵目标图像的定性测试平台和定量测试平台，从基础图元和常规目标两方面着手进行测试，分析贫点阵目标图像的成像特点。通过Johnson判则的移植应用，研究贫点阵目标图像的探测机理。采用类直方图实时阈值分割的方法，完成单帧图像目标点的检测。借助基于状态机循环处理的点目标跟踪方法，使用累积能量，判断序列图像目标点的真伪。　　 (2)提出分别适用于矩阵形和楔环形贫点阵目标图像的超分辨率重建算法。对于矩阵形贫点阵目标图像，应用经典数学模型描述超分辨率重建问题。只收集沿着水平、垂直和主对角线三个方向平移的观测图像，它能够最快速、最有效地覆盖理想高分辨率图像的低频区。重建过程采用基于Tikhonov正则化约束的最大后验概率估计，该算法综合了统计优化理论和正则化泛函的优点，能够充分利用先验知识。对于楔环形贫点阵目标图像，通过围绕楔环中心小角度旋转的方式获取超分辨率重建所需的互不相同的冗余信息。重建过程分为两步：第一步，在极坐标空间内，针对病态逆问题，直接引入最小二乘估计寻求最优解，进而线性插值初步重建高分辨率图像；第二步，在对数极坐标空间内，应用带有局部自适应正则化约束的最大似然估计去除噪声，改善重建图像的质量。　　 (3)探讨了基于水平集方法的图像降噪理论，针对传统算法在保留图像边缘细节上的不足，提出两种改进建议。一种是两步执行策略的水平集方法，即：第一步，应用最小/最大曲率流和均值曲率流的混合模型去除图像的全局噪声；第二步，利用带有边缘能量函数的曲率流模型进一步去除图像的局部噪声。另一种是融合Canny算子的水平集方法，即：综合Canny算子的优势，利用边缘强度选取最小/最大曲率流和均值曲率流作为演化速度，以边缘方向的法线方向作为演化方向，同时通过能量函数抑制局部不规则性，该方法仅需一步架构便可完成所有操作。　　 (4)基于对数极坐标变换的视觉不变性原理，提出了在对数极坐标空间内识别目标的整套理论和方法。选择合理的注视点，利用对数极坐标变换将极坐标空间内目标的尺度缩放和空间旋转转变为对数极坐标空间内像点的上下平移和左右平移；使用主动轮廓模型提取对数极坐标空间内目标的边缘特征曲线，通过跟踪寻迹剔除虚假边缘；执行特征归一化处理，根据模式相似性测度(欧式距离、相关系数)，实施模板的最佳匹配，完成决策分类。