图像识别是近20年来发展起来的一门新型技术科学，它以研究某些对象或过程(统称图像)的分类与描述为主要内容。本文重点对飞机图像识别技术进行了研究，主要可分为前期预处理和图像的后期模式分类两部分，本文结构如下：对输入图像进行预处理，包括采用Robert，Prewitt，Gauss-Laplace算子对图像进行边缘检测，并对图像进行迭代阈值分割及二值化。提取飞机图像的Hu矩，并对矩特征进行了修正和归一化。把矩特征作为输入，利用神经网络、神经网络集成和支持向量机进行模式识别和分类。本文对BP神经网络结构及BP算法做了系统的分析研究，在此基础上，提出了一种改进的BP算法。该算法着重对学习率和动量项进行调整，通过动态、自适应的方法，对参数学习率和动量因子进行调整，提高了学习速度。本文将遗传算法GA与BP算法相结合，提出了一种改进的遗传BP算法，该算法将前馈多层神经网络的全局优化作为启发式遗传的搜索问题，两次应用遗传算法，将搜索空间参数的动态调整和神经网络训练的动态特性协调起来，既克服了寻优中的盲目性，又避免了局部收敛情况的发生。较好地解决了神经网络容易陷入局部极小点和神经网络分类器设计依赖手工试算方式确定的问题。尝试将神经网络集成应用到目标图像的识别和分类中，采用Bagging和Boosting两种集成方法。实验结果表明神经网络集成比单个神经网络具有更好的泛化能力。针对本文小样本的特点，应用支持向量机对目标图像进行识别和分类，分别对支持向量机的三种多类方法和三种核函数进行试验，取得了优于神经网络和集成的实验结果。