随着人工智能，社会智能的发展，视觉系统，其在感官系统中占75％以上的交互信息，得到科研工作者的广泛关注。然而在相当长的一段时间内，视觉目标识别技术发展缓慢，随着机器学习应用到计算机视觉中来，其得到前所未有的发展。　　首先，本文重点介绍了集成学习思想。围绕如何构造一个有效且稳定的分类器，从特征选择，数理统计学，生物学等多角度剖析了AdaBoost分类器的工作机理;重点介绍了多种具有代表性的AdaBoost变种算法，总结并分析其在工程应用中的若干个关键问题;详细介绍了级联分类器框架，从理论分析与实践应用两个方面进行深入研究，并对此框架所存在的问题进行了归纳总结。　　其次，围绕如何将集成分类器运用到视觉目标研究中，本文结合车牌检测和车辆检测两种视觉目标检测应用，详细探讨了级联分类器框架的应用过程。首先采用级联分类器框架解决了车牌检测的问题，然后研究并采用了一种改进的检测框架，解决了车辆检测的问题，此种检测框架更符合人类的视觉认知系统，主要分为两个阶段:第一步，通过显著性分析与视觉注意机制进行目标预定位;第二步，利用级联分类器进行精分类。在VIVID数据集上取得良好的效果，即允许使用计算复杂特征的基础上，成功地降低了检测时间。　　随后，结合车牌字符识别说明集成学习在视觉目标识别中的应用问题。在样本不足时，提出了一种基于集成学习的模板匹配方法，在不考虑识别速度的前提下，其字母数字的识别率达到了95％;然后针对样本不足等问题进行分析，并进行人工制造样本;针对字母和数字的混淆情况，采用多层分类机制，使分类器的分类能力得到进一步提高;利用MFC框架类为车牌识别算法设计用户界面。　　最后，系统地总结了本文的研究成果，探讨了集成学习在视觉目标识别中所出现的问题，并对进一步的研究方向做了总结。