随着人工智能的快速发展,计算机视觉扮演着越来越重要的角色。对足球机器人而言,为了像人类足球比赛一样相互合作以及竞争,其视觉信息处理技术是各项技术的基础和关键。本文以当今主流的机器人足球锦标赛-—RoboCup类人组比赛为研究对象,主要研究足球机器人的目标识别算法。在RoboCup类人组比赛的环境中,识别目标物时会有外界的干扰,例如光照影响、图像质量的影响等。对比赛双方队员的识别是目标识别的难点。而足球机器人比赛的观赏性则对视觉信息处理算法的实时性有较高要求。因此,本文工作重点围绕着特征提取算法的精度与实时性展开。论文完成的主要工作如下：为提高目标识别的针对性,本文第三章提出一种先对图像预处理,再进行特征提取的方法(Mean Shift-SIFT方法),即,先由Mean Shift图像分割算法提取图像主要部分,再用SIFT算法提取其中的特征点,最后用最近邻法进行特征点的匹配。通过和传统方法的比较实验,发现上述Mean Shift-SIFT方法在不同的特定干扰下能保证匹配度,并提高了运算速度。SIFT算法作为特征提取算法完全可以解决“队员识别”问题,但是SIFT算法本身的实时性不高,将直接延长匹配时间。所以本文第四章提出了加速特征提取的目标识别算法(PCA-SIFT算法),将主成分分析法(PCA)用于对经典SIFT算法中的128维描述子进行降维,并用最近邻法进行特征点的匹配。通过实验我们发现PCA-SIFT算法不仅提高了运算速度,匹配度也保持在较好的状态。本文对足球机器人比赛的场地可能会遇到的干扰场景作了模拟,证实了Mean Shift-SIFT和PCA-SIFT两种方法对目标进行特征提取的有效性,为足球机器人比赛的决策与运动控制奠定了基础。