图像目标识别是当前机器视觉和模式识别领域中一个十分重要的研究课题,被广泛应用于众多领域,如医学图像处理、军事自动目标识别、遥感图像分析。近年来基于显著性检测的目标识别成为研究热点,本文将显著性检测算法应用到图像目标识别领域中,主要对显著性检测模型中的背景种子点、贝叶斯模型和引导学习以及目标识别算法中的词包模型等方面进行了详细研究。首先,人们总是能快速准确地找到一幅图像中最显著的目标区域。基于这一现象,本文试图模拟人类视觉注意系统,提出一种基于背景种子点的显著区域目标识别方法。本文将背景先验和基于中心对称高斯函数相融合得到最初的显著图,并根据平滑先验来完善此显著图,之后提取显著区域的图像特征,通过LLC映射得到图像描述,完成最终识别任务。该算法能够均匀光滑的突出整个目标区域,并有效的提高了识别精度。其次,针对图像背景信息杂乱,干扰较大这一问题,提出基于贝叶斯模型的显著目标识别算法。本文采用凸包模型,利用中心先验和空间加权对比先验得到图像先验概率,之后结合贝叶斯模型得到最终的显著图,并完成整个目标识别过程。该方法会对凸包外的杂乱背景产生抑制并能准确的突出显著目标区域,取得了较为理想的分类结果。最后,提出基于引导学习的显著性目标识别算法。基于图像暗通道先验和空间加权对比先验构建弱显著图,作为强显著性模型的训练样本,并采用多核增强学习方法训练得到强显著模型,融合强弱两种显著模型得到最终显著图,最后将显著图作为目标识别中的输入图像进行分类识别。该算法既能成功抑制背景信息又可以均匀的检测到整个目标区域,从而提高了识别率。