目标检测识别技术一直是计算机视觉领域中的重点研究方向,在民用领域主要的应用包括自动驾驶、人脸识别、智能交通等,在军事领域主要的应用则体现在光电侦察、监视、告警和精确制导等方面。本文主要研究复杂背景下地面可移动目标的检测识别问题,重点关注坦克、装甲车、特种运输车等有可能改变位置和姿态的时敏目标。此类目标具有目标小而多、目标类型多样、背景复杂和样本稀少的特点。为了解决这些难题,本文提出利用视觉显著性理论和深度学习方法开展稀缺样本条件下的地面可移动目标检测识别技术研究。论文的主要工作和研究成果如下:1、针对复杂背景下的小目标检测问题,建立了一个包含海陆空三种背景的小目标数据集,数据集具有中心偏差小、图像尺寸多样和目标较多等优点。在此基础上,对主流的显著性检测算法进行了定量评价,分析了不同算法在小目标检测任务上的性能;并提出了一种结合布尔图和灰度稀缺性的小目标显著性算法,能够有效解决复杂背景下的多目标、小目标检测问题。算法在公开数据集上也具有一定的普适性。2、针对稀缺样本条件下的目标识别问题,提出了基于仿真样本训练深度卷积神经网络实现目标识别的方法。首先,提出了一套完备的数据集建立方法,具体包括:基于3D模型的数据仿真、基于爬虫的图像扩增、基于显著图的自动标注以及保留标注的数据扩增。其次,以仿真样本作为训练集对Faster R-CNN进行训练,在四种地面可移动目标的实测样本上进行测试,识别准确率（m AP值）可达70%。3、针对红外数据的特点,先用伪彩色变换等方式进行预处理,得到灰度增强图像和伪彩色图像,然后对Faster R-CNN模型进行训练和测试,识别准确率（m AP值）为81%。此外,针对红外目标的尺寸特点,提出了对RPN候选框的锚框参数的修改,并进行了实验验证。