本文主要研究在复杂背景情况下小目标识别的算法，并且根据现有硬件的处理能力，本文提出一套针对复杂背景条件下的小目标识别的算法。以TI公司高性能数字信号处理芯片（TMS320DM642）为核心器件构建实验平台，并且将该算法移植到实验平台中来加以验证。 通过对小目标识别技术现状的分析，其算法研究的关键在于算法的抗干扰能力、稳定性和运算量。我们认为除了问题内在的复杂性以外，实时性是制约小目标识别系统应用的一个重要因素。因此，为了促进目标识别系统的应用，必须把研究和实现分为两个层次，即离线处理和在线实时处理有机联系的分布式智能系统，以解决实时性、可应用性、可开发性与问题复杂性的有机统一。在线处理部分必须是简化的，能应付有限情况而非万能，从而可达到实时性。离线部分可以复杂得多，但不可能做到实时。 对在线处理部分来说，只有应用效果显著的图像处理的算法，才能提高光测设备对小目标的识别能力。但是在图像处理系统中，实时的应用环境有严格的帧，场时间限制，即每场图像的处理必须在20MS内完成，针对复杂的图像处理算法的可观的运算量，对系统的运算速度又提出了更高的要求。所以解决问题的关键就是在现有硬件处理能力的基础上选取一套高效的、优化的算法。 本文首先比较了目标识别领域一些常见算法的优缺点，然后综合本文所处理的视频图像的特点和实时性的要求，提出一种实用的核心算法，首先对每一帧图像,采用Top-hat 变换形态学滤波，高通滤波、自适应阈值分割等高通滤波,滤除每一帧图像中的大面积背景。然后根据相邻帧之间运动点目标的相关性，进行差帧多帧叠加。目标由于其运动性，在叠加帧上表现为相关性很强的点轨迹，而高频点状噪声，则由于其随机性相互抵消一部分，这样就抑制了大面积低频背景的同时也抑制了大部分点状随机干扰噪声，进一步增强了图像的信噪比。 最后将该算法移植到实验系统中，对算法的有效性，实时性进行分析，并对算法进行优化，以最大限度增加系统的性能。