随着网络的普及和多媒体技术的发展,目标识别技术已成为近年来需求和研究的热点。基于随机森林的目标识别方法在计算机视觉中是一类较新的方法,该类方法能够有效的处理大数据集,具有精确度高、鲁棒性强、易于实现、计算速度快等特点。然而,国内在该类方法上的研究仍较为空白,尚未出现总结性的文章。因此,研究基于随机森林的目标识别方法的工作,不仅对计算机视觉,模式识别等领域有一定的价值,而且希望能够对国内在该类方法的发展能够起到抛砖引玉的作用。　　 本文关注于目标识别任务中的图像分类和语义分割,主要研究基于随机森林的图像分类和语义分割的相关技术。主要的研究工作和创新点如下:　　 1、介绍随机森林理论相关知识,详细的给出训练算法和测试算法。　　 2、研究基于随机森林投票机制的图像分类模型,结合MR8滤波器组,将该模型应用于纹理图像的分类。在保持高分类精度的同时,较大的提高了分类的效率。　　 3、引入两种基于随机聚类森林的视觉词典。实现语义纹理元森林,联合基于金字塔匹配核的支持向量机,用于图像的分类。通过对语义纹理元森林和支持向量机的优化,进一步提高了分类精度。　　 4、在语义纹理元森林的基础上,设计基于类别概率分布信息的分割随机森林,串联语义纹理元森林和分割随机森林对图像进行语义分割。　　 5、根据随机森林易于并行化的特点,采用OpenMP多核编程技术并行化随机森林算法,较大的缩短了模型的训练时间和分类时间。　　 实验表明,基于随机森林的图像分类和语义分割算法在保持高分类准确度的前提下,能够快速的完成训练和测试。其中,基于MR8滤波器组和随机森林的纹理图像分类算法取得良好的分类效果。对随机森林算法的并行化优化,进一步提高了算法的效率。