非视域成像是当前激光成像领域的一个新兴方向,通过该技术能够对光学系统视场外的区域进行成像,对提升反恐能力和自动驾驶能力具有重要意义。近年来,随着探测仪器精度的提升和图像重构算法的完善,非视域成像愈发趋近于实际应用,在非视域场景下对目标进行识别的需求日益增加。然而目前对于非视域识别仍存在着两方面问题,一方面现有的图像恢复算法不能较好的均衡算法实时性和图像还原质量,另一方面,非视域还原的图像普遍质量较差,物体的形状畸变较为严重,导致难以进行识别。因此,本文就如何重构出适合于识别的目标图像,以及如何对非视域图像进行识别两方面进行了研究。首先,本文针对非视域的实验场景,建立了相应的激光传播模型,以该理论模型为依据,对实验场景进行了仿真,从而对空间中不同位置、不同类别的物体进行了模拟,生成了对应的探测器数据。同时考虑到现有的图像还原算法无法较好的兼顾重构速度和精度,因此本文通过引入Meanshift定位算法,从而将虚拟波和椭球逆投影较好的结合起来,以更快的速度从信号中还原获得了更高质量的点云图像,进而生成了一系列训练样本和测试样本图像,为后续针对非视域图像的特征提取提供样本素材。其次,本文针对非视域的目标特性进行分析,考虑到非视域成像获取的图像质量一般较差,因此对点云图像进行了相应的滤波和投影操作,有效地降低了图像中的伪影和噪点,然后从形状特征,纹理特征和深度特征多个角度分别对目标信息进行提取,从而全方面的对物体的特性进行描述,充分利用了现有的信息,最后利用互信息度评价指标定量的说明了本文所选特征提取算法的可靠性。最后,本文引入支持向量机模型对非视域目标进行识别,考虑到传统的支持向量机非常依赖人工参数的选取,不利于实际应用,因此针对性的引入了粒子群寻优算法对其进行改善,从而智能地进行了参数的选取,大幅度降低了人为干预程度,之后考虑到利于单一特征的分类模型受样本集变化的干扰较大,本文通过对非视域场景下的目标特性进行分析,选取了Stacking策略对不同特征构成的分类器进行了集成,从而大幅度增强了算法的稳健性,最后通过引入ROC等评价指标,定量的说明了本文识别算法的可靠性。