可见光图像具有丰富的细节信息但不能显示烟雾遮挡或黑暗环境中的热源目标，而红外图像可以显示目标但其边缘信息模糊，将可见光图像与红外图像融合可以提高目标识别的性能。本文首先研究了基于简化轮廓模型匹配的目标识别方法，构造了交通工具的全方位姿态模型库，提取模型库中交通工具的轮廓特征，应用最小周长多边形近似方法去除次要轮廓信息，获得简化轮廓，构造同底三角形并获得三个特征量用于匹配识别。该算法识别速度较快，但在视角及尺度变化时稳定性有待改进，且不适用于遮挡目标的识别。针对于此，本文接着研究了改进的基于SIFT特征的视觉词汇目标识别算法。 SIFT特征对尺度、旋转、光照、图像形变以及小视角变化都具有较好的不变性，将SIFT特征作为视觉单词，构造表征目标的视觉词汇统计直方图特征矢量，应用k-近邻规则对待识别目标进行分类识别。由于SIFT特征属于局部特征，该算法在目标被遮挡情况下仍具有很强的识别能力，目标识别的稳定性大大提高。由于经典SIFT特征基于图像灰度梯度，不能够区分相同外形但不同颜色的目标，所以本文提出改进的基于HSV颜色区间化矩阵的SIFT特征，即Q-SIFT，通过颜色区间化矩阵在SIFT特征中加入颜色信息，充分利用颜色信息识别目标。Q-SIFT不改变SIFT特征原来的结构，在光照变化与角度变化情况下的匹配能力具有较为明显的优势，而且在匹配速度方面的优势尤为明显。最后本文在经典SIFT算法的基础上，对可见光与红外图像融合的目标识别进行了研究。主要研究了基于像素级加权平均的图像融合识别方法，并在“有烟雾遮挡”和“无烟雾遮挡”场景中进行不同权值融合图像与单模图像目标匹配性能对比实验，实验结果表明，根据实际应用环境的不同选取适当的权值，可见光与红外融合图像在目标匹配与识别方面的性能优于单模图像。