在红外图像中，地物背景相对于天空背景和海面背景而言是非常复杂的。对于简单的天空背景，如果想要识别飞机类目标是较为容易的，目标与背景的可区分度很高。同样对于海面背景，舰船或者其他类目标的甄别也不是特别难。由于背景的简洁、单一，使得这两种背景下的目标识别成为容易突破的技术点。但对于复杂的地物背景下的目标识别来说，由于目标比如车辆、坦克、房屋等与背景的相似性很高，为目标识别增加了难度，也导致这个方向的研究较少。　　本文研究的是地物背景的红外目标识别算法。目标识别的过程包括预处理、特征提取、分类识别等。本文在特征提取和分类识别方面分别对尺度不变特征转换(ScaleInvariant Feature Transform，SIFT)算法和最小距离分类器(Minimum Distance Classifier，MDC)提出了改进方法，并取得了预期的效果。　　SIFT算法提取的特征点是高斯差分（Difference of Gaussian，DOG）尺度空间的极值点。当图像对比度较低时，图像灰度值相差微小。由于其固定对比度阈值的设置，使得许多稳定的极值点也会被滤除，剔除掉的总的极值点也会相应的多。因此最后得到的SIFT特征点会非常少，不利于后续的目标分类识别处理。图像对比度较低的时候，纹理特征也会变得不明显。本文选择角二阶矩作为判断依据，在纹理特征较弱即角二阶矩较大的情况下，调低对比度阈值，保证可以提取到足够的特征点数量。　　最小距离分类器利用欧式距离判断待测图像与样本模板之间的距离，距离最近的模板就是待测图像所属的分类。若要提高目标的识别率，就要增大样本模板数据库。然而这样会增加数据存储空间，降低算法的实时处理速度。本文提出了一种在不改变模板数据库的基础上提高目标识别率的改进方法。经试验验证，算法达到预期效果。　　最后在MATLAB平台上将整体目标识别算法系统集成在了GUI(Graphical UserInterfaces)中，使得整个目标识别系统简单明了、操作方便。