目标识别作为图像处理和模式识别领域的一个重要研究方向,在医疗诊断、军事技术、安全检测等领域得到了广泛的应用。单一的使用全局特征进行目标识别的方法在实际应用中受到了诸多限制,而局部特征在对局部信息的描述上性能优越。因此,局部特征为复杂背景下的目标识别提供一条有效的途径。特征提取是目标识别中的关键技术,对于识别的最终结果有决定性的作用。针对目标自动识别中的视角,尺度和亮度条件变化问题和局部特征在较大视角和亮度变化时识别率较低的缺点,本文使用快速海森阵和Harris算法提取出目标局部特征点,并提取出特征点的方向并使用标准灰度梯度直方图构建128维特征向量。这些特征对于尺度和照度变换较大的条件下有很好的稳定性。局部特征合成环节是将大量的局部特征合成为一个特征,为后续的分类器设计提供了更加可靠的特征。本文提出了改进的LLC特征编码算法和极坐标空间金字塔匹配算法。改进的LLC特征编码算法加入了编码本中的先验知识,即使用了权值函数：而极坐标空间金字塔匹配算法在极坐标中对特征空间进行划分和匹配,极大的提高了合成后的特征对目标旋转的鲁棒性。本文使用了主成分分析方法降低特征向量的维数。而后采用加入线索的多层神经网络分类器识别目标,提高了识别速度。实验结果证明：视角变化下的识别率为61.9%；尺度变化的识别率为80.5%；照度变化的识别率为84.4%,平均识别时间为130.9ms。与SIFT和SURF相比,本算法提高了目标在不同的视角和光照条件下的识别率,并且达到较快的识别速度。