21世纪,人工智能快速发展,社会对汽车辅助驾驶和智能交通监控的需求日益增加,而地面目标识别是汽车辅助驾驶、交通智能监控等领域的关键技术。传统的地面目标识别系统都是基于可见光传感器设备的,这些设备在光照、天气良好的条件下可以采集到清晰的画面,但是在夜晚、雨雪天气和浓烟浓雾遮挡的情况下,它们就很难获取有效的目标信息了。而往往在这些极端条件下的应用才是需要关注的重点,因此,只使用单一的可见光传感器已经不能满足需求。针对这一问题,本文综合运用可见光和红外传感器,以待识别的车辆为研究对象,开发了基于多传感器信息融合的地面目标识别系统,从而打破了夜晚、烟雾遮挡等条件的限制,实现全天候工作。首先,为了能够准确的提取车辆目标的特征,对可见光图像和红外图像平滑滤波算法进行研究,确定对可见光图像进行高斯模板均值滤波,对红外图像进行中值滤波;其次,为了提升对运动目标的识别效率,研究了运动目标检测算法,对传统的运动目标检测算法做出改进,将帧间差分法和背景差分法结合,实现了对运动车辆的检测;检测到车辆目标后需要对目标区域在图像中的位置进行定位,采用了一种基于连通域重心坐标标记的算法,并成功定位了目标区域;然后使用Haar-like矩形特征来表达车辆,对原有特征库进行扩展,添加旋转单一矩形特征来描述车底阴影区域;最后针对采用传统AdaBoost算法训练强分类器过程中出现的权重扭曲导致训练异常中断问题,对算法提出了改进,在每一轮的迭代训练中增加了样本过滤机制,提升了算法的性能,成功训练出可见光和红外车辆分类器,实现了车辆目标的全天候识别。本文主要对可见光和红外图像中车辆目标的识别进行了研究,建立地面目标识别系统,实验结果表明该系统具有较好的实时性和一定的鲁棒性,研究成果对于机器学习技术在辅助驾驶和智能交通监控等领域的应用具有一定的参考价值。