目标跟踪与识别作为计算机视觉领域中一个重要研究方向,融合了计算机、图像处理、电子科学技术等多学科,在军事和民用领域具有重要应用价值。靶标是靶场测试系统一种常用的目标,对靶标的有效识别在靶场武器装备测试与性能评价系统中具有重要意义。本文设计了一种基于半监督式学习的算法对靶标进行跟踪与识别,算法是由跟踪与检测两部分构成,该算法的主要思想是将连续采集的靶标图像联立作为一组视频序列,根据序列的第一帧靶标信息对后续帧靶标图像进行跟踪与识别,由于检测部分的数据是基于半监督式学习的,可有效解决摄像机抖动、光照变化、目标尺度变化等对靶标图像的影响。分析了目标特征点(角点)选取的基本原理,研究分析了传统光流法作为目标跟踪算法的特点,采用金子塔LK光流法作为目标跟踪算法,有效地解决了传统光流法不适用于目标大尺度运动跟踪的问题。讨论了随机森林算法的主要两个应用即分类与回归,文中随机森林中树的选择没有采用以往常用的决策树,而是根据贝叶斯分类选用了蕨类分类树,其相对于决策树具有结构简单、分类速度快、分类节点阈值存储量少的特点。最后,根据以上研究与分析,设计了基于半监督式学习的目标自动识别算法,应用于靶标、人脸、汽车等序列视频流的跟踪和识别,结果表明,在对靶标的识别中,确定的目标区域与实际靶标位置的重叠率达到了90%,对靶标识别的准确度P值达到了100%,在对人脸、汽车等序列视频流的跟踪和识别中,P(精度)、R(召回率)和F(综合评价参数)均取得了满意的效果。由于该算法是根据视频序列中第一帧图像手动选取目标模版,因此,该算法对各种目标都能有效跟踪与识别。