目标识别是计算机视觉领域中非常活跃的一个研究方向,在图像、生物、工业等民用领域及军事领域中有着广泛的应用,其中以目标特征的提取为难点与重点。本文研究的目的是提高Gabor目标识别算法的鲁棒性,降低负面因素对识别效果的影响。首先介绍了常用的分类规则,分析了人工神经网络以及BP算法的优缺点。给出了一种变步长学习速率的改进方法,优化了BP神经网络,为后文的识别研究提供了较好的分类器支持。对目标识别的前期工作进行了研究。通过预处理,提取了良好的目标样本。针对目标的旋转模糊,利用一种最小代价函数并通过邻域知识引导进行恢复;针对目标的尺度、平移及对比度差的情况,通过图像的标准化进行解决。其次,研究Gabor滤波器的参数优化问题。分析了两种Gabor滤波器参数选择方法,针对传统Gabor滤波器提取的目标特征信息冗余度大,结合散布矩阵理论进行了参数的优化,得到性能最优的滤波器组;确定了提取边缘特征的最佳单Gabor滤波器参数。再次,针对传统Gabor特征提取算法造成的维数灾难问题,结合模板匹配思想提出了一种将目标图像分层分块处理并提取Gabor特征的方法。改进了提取的Gabor特征,进一步提高了算法对目标亮度和对比度变化的适应性。通过标准化的Yale人脸库和自制的目标样本库,利用Matlab编程进行实验,实验结果表明算法具有较高的适用性和鲁棒性。最后,针对目标多姿态问题进行了研究。对矩技术进行研究,改进了传统矩特征,提高其表征多姿态目标的稳定性。分别采用一种动态链接机制和与方向无关的Gabor核函数解决目标姿态发生变化时匹配困难的问题。通过特征融合方法提取了较为稳定的特征,较好地解决了目标多姿态性所造成的拒识别问题。最后利用手工制作的样本库,进行了仿真实验,验证了算法具有较好的适应性和鲁棒性。