刷脸签到、行人追踪等一系列应用逐渐在人们的日常生活中兴起,这表明人脸识别和行人重新识别在实际生活应用中有着重大意义。近年来,虽然现有算法已经取得了不错效果,但是这些算法需要基于质量较好的捕获图像才能得到较可靠的结果。而在现实生活中,通过各种拍摄设备得到的图像往往存在严重的姿态、表情、外观变化等问题,还存在光线变化显著和遮挡等问题。图像质量参差不齐,质量较差的图像会对目标识别造成较大的影响。对于视频目标识别而言,质量评价能够在特征融合时根据各帧图像质量为各帧特征提供对应的权重,因而能够提高目标识别任务的性能。而对于图像质量评价而言,为了提高目标识别的准确率,要求图像质量评价结果应与目标识别结果一致。本文立足于图像质量评价算法与目标识别任务的结合,主要关注面向人脸识别的图像质量评价和基于质量评价的视频目标识别算法研究。对于现有的人脸质量评价算法,人脸质量评价仍存在两方面问题:首先,现有质量评价算法使用主观质量评价(MOS值)作为理想的评价标准(Ground truth)。虽然MOS值反映了人眼的视觉感受,但是与人脸识别系统的感受存在差异。针对这种差异性,有学者使用测试图像与参考图像之间的相似度来定义评价标准,但是该方法带来了新的问题:人为选取的参考图像的不可靠性和应用的局限性。其次,现有算法所使用的特征不够鲁棒。现有基于神经网络结构的算法只利用最后的语义信息来评价图像质量,忽略了局部特征。针对上述问题,本文在面向人脸识别的图像质量评价任务上完成了以下工作:第一,文中使用基于神经网络的人脸识别系统来生成图像质量评价模型的标准(Ground truth),以保证图像的质量评价结果与人脸识别系统结果的一致性。第二,对人脸图像质量给出评价结果时,本文融合了不同尺度上的人脸特征训练回归模型,来增强特征的鲁棒性。另外,为了减小回归模型的时间和空间复杂度,文中对深度特征进行了稀疏表示。实验结果表明,所提出的算法能够通过质量分数有效地反映该图像的可识别程度,这意味着该算法能够选择出最佳人脸图像,从而提升人脸识别系统的性能。进一步地,本文研究了基于质量评价的视频目标识别算法。目前的现有算法将质量评价分数作为每帧特征的权重,最后将各帧特征的加权和作为目标的特征表征,获得了一定的性能提升。但是,这些算法存在两个问题:第一,目标识别过程中使用的特征提取和质量评价算法均将每帧图像视为独立的对象进行操作,忽略了帧之间的关联性。第二,缺乏鲁棒的目标特征表征,未综合考虑全局特征和局部特征,导致特征表示不够完整。针对上述问题,本文完成了以下工作:第一,我们分别为特征提取和质量评价模块添加循环网络(LSTM)模块来挖掘帧之间的关联信息,获得更多的有效目标信息,同时使得质量评价因考虑了时序信息而变得更加合理。第二,本文结合了全局特征与局部特征给出更为完整的目标表征,即:既包含整体结构信息,又包含身体各部分特征。对于人脸识别任务,我们主要在YouTube人脸数据库上进行实验,使用受试者特征工作曲线评价人脸识别算法的性能。实验结果表明,我们的人脸识别算法综合性能高于现有算法。当假正例率为0.01时,本文提出的方法的真正例率为0.78,而现有方法最高为0.549,大幅提升了较高阈值下对正样本的查准率。对于行人重识别任务,在iLID_VIDS和PRID2011数据集上的实验表明,我们的top1匹配率比之前的算法平均提高了大约3%。