数字信息洪流时代的来临使得目标感知的性能显得尤为重要。传统模型在面对不同表现形式的感知目标时,很难达到满足目标感知性能的目的。因此基于集成学习的感知方案由于其性能优越性在目标感知中愈发显示出其重要意义。本文针对数字图像设备感知,可见光图像内容感知和SAR图像信号感知,三种目标感知场景进行深入研究。从目标感知的应用性和集成学习算法在特定感知表现的适用性进行深入研究,对于三种表现形式的感知目标均提出基于集成学习的感知性能提升方案,本文的主要研究工作如下:(1)对于数字图像设备感知,本文提出基于多相机指纹集成的实时相机溯源决策方法。本文构建了由25部手机拍摄的100部视频集来建立该任务的数据库。对于视频流溯源任务,我们提出实时视频相机感知计算方式和基于集成策略的最终溯源方案。该集成方案显著提升了溯源的性能,对于安卓手机达到98.161%的溯源准确率,性能显著高于单模型。(2)对于可见光图像内容感知,本文提出多样性主动约束和被动约束的深度集成方案,分析了主动约束深度方案的参数不稳定性,以及被动约束深度集成方案的网络多样性生成原理。对于深度集成网络参数过大的问题,提出基于多样性被动约束的深度集成蒸馏方案。对于传统集成网络蒸馏方案训练次数过多的问题,本文提出惰性再生网络(Lazy Born Again Network),基于循环学习率的学习模式,利用训练过程中周期生成的历史网络快照蒸馏后面的训练过程,在单次训练中就能达到传统集成蒸馏网络的性能。(3)对于SAR图像信号感知,本文提出Flexible py-StackNet(FPS)集成学习框架。该框架将原始的Stacking思想拆解为学习层、数据流层和效果评估层,基于学习层实现了多模型的一站式学习方案、基于数据流层实现了灵活的特征组合和特征流向方案、基于效果评估层实现了实时评估和自适应的模型选择方案。基于该FPS框架的SAR图像信号感知方案取得了首届航天星图杯高分软件大赛SAR图像分类任务的冠军,验证了该框架的有效性。