目标检测识别是智能交通和无人驾驶的关键技术,由于技术不成熟,目标检测识别在当前的交通视频监控系统中还没有得到广泛推广应用,相关理论和技术一直是研究难题,也具有极大地研究意义。基于视频的目标检测识别的主要任务是在视频帧中寻找感兴趣目标,涉及运动目标检测,运动目标跟踪和目标分类。本文就视频目标检测、分类和稀疏编码及其在目标识别中的应用进行了研究。首先,本文研究了基于传统不变性特征的车辆检测识别技术研究。通过实验对比帧差分和背景建模在目标检测准确性和性能方面各自的优缺点,对比颜色直方图和SIFT特征在指定目标检测任务中各自的特点,并研究使用HOG特征和SVM分类器进行车辆分类。其次,本文研究了稀疏编码字典训练技术。我们研究了L2稀疏编码和L1-软阈值稀疏编码和L1-函数近似稀疏编码等字典训练技术。针对L1-软阈值稀疏编码字典次优化和L1-函数近似稀疏编码收敛缓慢的特点,提出一种改进的L1稀疏编码字典训练方法。我们对这几种稀疏编码字典训练方法进行了比较实验和分析。本文方法在获得较准确字典的同时,在收敛速度和计算性能上分别相对L1-软阈值稀疏编码和L1-函数近似稀疏编码更有优势。最后,本文研究了层次稀疏编码技术。我们分别设计和实现了浅层的和中层的层次稀疏编码网络,并在浅层稀疏编码网络上进行了车辆分类实验。我们着重研究了浅层稀疏编码中空间池化的原理和实验效果,以及中层稀疏编码网络与图像局部依赖的关系。