能够自动进行目标识别是现代武器装备力争具备的先进性能之一。小波分析因其良好的时频局部化特性,已经成为信号处理和图像分析系统中的有效工具;不变矩的抗噪性和相对于目标几何变换的数值稳定性,使其被广泛使用在各种目标识别系统中;人工神经网络的迅速发展为自动目标识别研究提供了新途径,自动目标识别方面的难题有望利用神经网络方法得到解决。自动目标识别要求在目标发生平移、旋转、尺度变化下仍有高的识别率。这可以通过首先获得目标图像的矩不变量,再将不变量输入到小波神经网络中进行识别。本文通过将目标的特征提取算法与小波神经网络结合,提出了一套新的目标图像识别系统。该系统可识别多类目标。本论文使用这种系统识别了四类飞机目标,达到了很好的效果。本文的研究工作围绕小波矩和小波神经网络及它们在自动目标识别中的应用展开。重点研究了用于自动目标识别的矩特征,研究比较了能够描述目标全局特性的Hu矩、Zernike矩和能够描述目标局部特性的小波矩。针对自动目标识别提出了一种新的识别系统,将小波矩和小波神经网络结合用于目标识别,实验证明该识别系统具有良好的识别效果。论文的主要研究工作包括:(1)研究了图像的矩特征,比较了图像的Hu矩,Zernike矩和小波矩。Hu矩和Zernike矩提取的是图像的全局矩,而小波矩结合小波分析的局部时频分析的特点,可以提取图像的局部矩。小波分析与图像矩不变量的结合为我们研究图像的不变量特征提出了一个比较新的方法。小波矩不变量能够区分图像的细微差别。(2)通过实验提取发生平移、旋转、尺度变化和含有噪声的飞机目标图像的Hu矩、Zernike矩和小波矩,统计其数据。证明了小波矩的特征不变率比Hu矩和Zernike矩低。(3)小波分析具有良好的时频局部化特性,神经网络具有良好的自学习和自适应特征。基于这些优点,小波神经网络更具有良好的性能。同BP神经网络比较,小波神经网络更具有实际价值。实验证明Hu矩、Zernike矩的识别率低于小波矩的识别率。