本文对低信噪比红外图像序列中弱小目标的检测,不完整信息的目标识别算法及智能目标识别问题进行了深入、系统的研究,主要研究成果如下:1. 利用点目标、噪声及背景杂波在空间分布的特征,提出了旋转均值滤波算法.这种算法不仅可以最大限度地提升点目标的信号强度,而且能够抑制背景及杂波,有效提高信噪比.深入分析复杂背景红外图像的噪声特性,并由此先对红外图像进行灰值形态学滤波,利用目标在图像平面表现为"能量包"的空间特性,提出了基于能量特征的红外斑点目标的检测算法.对实际红外图像数据处理结果表明该算法不仅具有很高的检测概率,而且计算简捷,大大提高了算法的实时性.2. 分析了一种得到广泛重视的用于不变目标识别的高阶神经网络算法,并结合三角学知识实现了快速训练,大大提高了计算效率,解决了传统高阶神经网络实际运用中计算量的瓶颈问题.将信息熵的概念引入了特征提取过程,提出了一种针对二值模式的多窗二值局部熵的特征提取算法.结合最近邻分类算法,识别实验结果表明,本文提出的快速高阶神经网络学习算法及基于多窗二值局部熵的特征提取算法在保证了分类性能的同时,大大简化了计算,提高了算法的实时性.3.利用方向可调滤波器直接提取图像中目标子图的特征信息做为特征向量,而不再采取首先分割的方法.通过引入一种成功用于非线性及非高斯情况时估计问题的序贯Monte Carlo方法—粒子滤波算法把识别问题转变为估计问题,使之避免了分割结果的影响,利用最大后验概率准则实现高的识别准确率.4. 提出一种新型的模糊形态学神经网络.利用模糊化函数及最大化模糊神经元对规一化的图像实现模糊化,并运用方向可调滤波器提取模糊化模式的特征量作为分类网络的输入.将灰值形态学中"Top-Hat"变换与自组织特征映射神经网络相结合,实现了映射区域的自动选择.结合遗传算法并行特点,实现网络连接权值的快速调节.实验对比结果表明,本文提出的网络不仅可以达到对二值模式及灰度图像的快速识别的目的,而且克服了传统网络的基于梯度下降算法收敛性慢及输入新模式时需要重新调整网络结构的问题.5. 以真实红外点目标、斑点目标图像,中远距离红外面目标图像及标准的模式库中的样本为研究对象,将基于旋转均值滤波的点目标图像预处理算法,基于能量特征的斑点目标检测算法,快速高阶神经网络学习算法、基于多窗二值局部熵的特征提取算法,基于序贯蒙特卡罗方法的不完全形状信息的目标识别算法以及基于遗传算法的模糊形态学神经网络应用于高性能红外目标检测、成像与识别系统平台,并开发了红外图像目标检测及识别仿真软件.