1、圖像目標識別是計算機視覺和圖像分析領域中的一個重要研究課題。本文主要研究目標識別中的三個重要工作：圖像去噪、剛體點集配準以及基于形狀特征的目標聚類。本文主要工作及研究成果如下：
　　1、目前高斯去噪算法和泊松去噪算法中僅用像素灰度值來確定像素間的相似性權值不夠準確。將信息幾何原理應用到圖像去噪中，利用像素鄰域內統(tǒng)計信息的差異確定相似性權值，提出了一種基于測地線距離的高斯去噪算法和基于測地線距離的泊松去噪算法。針對高斯噪聲，通過高斯

2、統(tǒng)計建模，利用流形上兩點之間的測地線距離表示兩像素點之間的相似性，測地線距離大小表示像素鄰域間平均灰度強度和細節(jié)豐富程度的差異。針對泊松噪聲，利用非局部極大似然估計出泊松分布模型的參數，從而將像素點轉化到統(tǒng)計流形上，利用兩點之間的測地線距離計算像素間的相似性權值，根據非局部均值算法進行泊松去噪。通過實驗結果可得，基于測地線距離的高斯去噪算法在平坦的區(qū)域能取得較好的去噪效果，同時能很好的保留邊緣細節(jié)信息；基于測地線距離的泊松去噪算法在去除

3、泊松噪聲方面，其性能相對于非局部均值算法有了較大的提升。
　　2、在基于混合模型的魯棒點集配準算法中，對點集構建高斯混合模型(Gaussian Mixture Model,GMM)，利用兩模型間的相似性大小來確定配準參數。根據信息幾何的基本思想，利用模型間 KL(Kullback–Leibler)散度距離表示其相似性，由此可將點集配準問題看作是流形上一點到其子流形的信息投影問題，提出了一種基于KL散度的剛體點集配準算法，在信息幾何

4、中具有明確的幾何解釋，通過尋找使得兩GMM間的KL散度的最小值來確定最終的配準參數。經實驗分析可得，基于KL散度的剛體點集配準算法對噪聲和出格點具有較強的魯棒性。
　　3、在目標聚類方面，基于Peter研究工作的基礎上，初步研究了基于統(tǒng)計流形的目標形狀聚類算法。首先，運用模型學習的方法，根據最小信息長度(Minimum Message Length,MML)準則自動選取等量的關鍵點。然后，通過GMM建模，將目標形狀的關鍵點集轉化到