目标识别技术是计算机视觉中的重要研究内容,它在实际生活中的应用也非常广泛。现在的目标识别主要以通用目标识别为主,即目标的分类问题,而其中的一个关键问题是找到可以表示或区分目标的有效特征。所以,对目标特征提取的深入研究,有助于促进目标识别技术的成熟和发展,具有较高的理论研究价值和广阔的应用前景。本文针对目标的全局特征和局部特征进行了研究,在研究和分析了现有的全局特征提取和局部特征提取方法的基础上,提出了一种新的融合全局特征与局部特征的目标分类识别算法,实验证明了该算法的有效性。具体的工作和成果如下：1.分别对基于全局颜色特征的图像目标分割和图像相似度匹配进行了研究和分析。提出了一种基于小波变换的GrabCut图像分割算法,实验证明该算法在保持良好的分割效果的基础上提高了分割速率；研究了在HSV空间模型下的颜色直方图相似度计算,并和RGB空间模型下的颜色直方图相似度进行对比,结果表明基于HSV颜色直方图的相似性度量的更有效,同时也说明了全局颜色特征提取的局限性。2.在局部不变特征(SIFT)的基础上,利用主成分分析(PCA)对提取的特征向量进行降维,提高特征的描述与匹配速率。在PCA-SIFT粗匹配后,利用随机抽样一致(RANSAC)算法去除错误的匹配点。最后通过实验证明了该算法的有效性。3.根据全局特征与局部特征的互补性,提出了一种新的融合全局特征与局部特征的目标识别算法。算法先分别提取全局几何不变矩(HU矩)、颜色直方图和PCA-SIFT特征；再由训练得到的支持向量机(SVM)对测试图像分类判定,得到三个不同的分类结果；最后分别利用加法、乘法和投票融合规则对分类结果进行决策融合,得到最终的分类结果。实验结果表明该算法能有效的提高目标分类识别的准确性,并且加法融合规则下该算法最优。