目标识别与检测一直是计算机视觉及多媒体应用领域中的基础工作。目标识别的任务是在一幅给定的观测图像中确定是否包含某类目标，而目标检测除了需要确定图像中是否包含目标之外还需要确定其位置。在光电成像观测任务中，目标识别和检测扮演着尤为重要的角色，对目标快速而准确的识别与检测不仅能够为跟踪任务提供有效的保障，而且也能为系统的决策判断提供有力的依据。尽管该领域目前已经取得了很大的进步，但是在实际应用场景中仍面临着许多挑战。如目标在模糊、形变、部分遮挡、光照变化、背景干扰等因素的影响下，很难获得理想的辨识精度。为了提高识别和检测的性能，通常的做法是提取高维的特征并设计复杂的模型，这样又会降低识别与检测的速度。随着图像数据井喷式的增长以及对系统智能化需求的提升，研究精确性、实时性较高以及适应性较强的目标识别与检测算法已成为当前的热点话题。

本文围绕不同场景中目标识别和检测面临的实际问题，结合图像处理、计算机视觉、机器学习和深度学习等算法进行了深入研究。具体研究内容包括：从分类模型优化的角度出发研究目标识别的效率问题，从目标特征提取与表达、目标特征高效编码与汇聚、提升定位精度等角度出发研究部分遮挡目标、尺度与角度变化目标、小目标的检测问题。主要贡献如下：

（1）针对目标识别框架中常用的分类模型—Kernel SVM提出一种模型优化算法。尽管Kernel SVM有着出色的泛化能力，但是随着支持向量数目的增多，决策开销也随之增加。因此，本文提出了一种支持向量约简算法，通过循环迭代的方式对原始Kernel SVM的支持向量集合进行约简并重构出其精简子集。实验结果表明，利用精简子集构成的SVM可以在减少决策开销的前提下达到与原始Kernel SVM接近的泛化能力。

（2）针对部分遮挡的目标检测问题，本文结合霍夫投票的思想，从提取目标的鲁棒特征表达和提升算法检测速度两个方面展开研究。在特征提取方面，提出一种基于空间信息的局部特征，并基于该特征构建了一个包含目标丰富外观信息的“特征词典”。该局部特征可视为一个二元信息组合<p_f, l_f>，它既包含了目标的局部外观信息p_f，又包含了其对应的空间信息l_f，在估计目标中心的过程中展现出较好的性能。此外，为了减少目标特征表达中的信息冗余，本文基于压缩感知（Compressive Sensing）理论提出了一种快速压缩算法，该算法仅通过一个大规模的随机矩阵就可以实现特征降维。最后，利用局部压缩特征结合集成学习算法AdaBoost构建分类模型，通过在多个数据集上的实验结果可知，本文提出的局部压缩特征对部分遮挡的目标展现出较高的检测精度。另外，本文提出的快速压缩算法在压缩速度和精度方面均展现出较高的性能。

（3）针对尺度和角度变换的目标检测问题，经典的检测框架通常采用基于滑动窗（Sliding Window）的方式在多个尺度空间进行匹配，这种方式虽然效果不错，但是速度较慢。本文提出一种基于候选区域推荐的快速检测框架，该框架的检测流程包含两个阶段：第一阶段的作用是粗检测，利用候选区域推荐算法在图像中快速定位出700个左右的候选区域，相比于滑动窗模型，这种方式减小了搜索空间；第二阶段的作用是精检测，即识别候选区域内的目标，本文结合随机森林和分块词包（Bag of Words）模型提出一种快速特征编码和汇聚的方法。文中检测框架的优势在于对两个阶段都进行加速—既减小了搜索空间又加速了特征编码。实验结果表明其在检测速度和检测精度方面均取得了较好的性能。

（4）本文针对小目标（例如航空影像中的小目标）检测中面临的检测精度低、定位困难等问题，提出一种基于级联卷积神经网络（Convolutional Neural Network，CNN）的检测框架。由于小目标尺寸较小且外观信息较少，单纯依靠经典的CNN很难实现精确定位。此外，利用传统的手工特征也很难提取目标有效的特征表达。文中首先设计了一个基于CNN的目标定位网络，该网络利用多个层次的深度特征图构建了一组不同尺度的层级特征图，通过遍历这组层级特征图实现对小尺度目标的精确定位。其次，文中训练了另外一个CNN用于特征提取和目标识别。最后，对两个网络级采用级联方式构成检测框架。通过两个公开数据集上的比较实验可知本文提出的级联模型在小目标检测中展现出较为明显的优势。