目标检测与识别是计算机视觉、人工智能等领域的研究热点，在工业、军事、医疗、安防监控等领域得到广泛应用。然而，随着实际应用的不断增加，人们对目标检测与识别系统的实时性要求也越来越高。虽然近年来目标检测和目标识别算法的研究已经取得了较大进展，但可以同时兼顾实时性和准确性的目标检测和识别应用方面的研究工作仍非常有限，要开发出能够真正满足实时性和鲁棒性要求的目标检测与识别系统还需要解决大量的问题。本文对基于FPGA和DSP的小目标检测和识别方法进行了比较深入的研究，以提高准确率和实时性为目标，解决了多个关键技术问题，为研制开发具有实用价值的嵌入式目标检测和识别系统打下了良好基础。　　本文的主要工作如下:　　1、针对红外图像中车辆小目标的特点，提出了一种基于边缘概率分布与亮度信息相融合的检测方法，并在课题组设计的基于FPGA和DSP的嵌入式智能图像处理卡上进行了实现。该方法将改进的Sobel算子提取的边缘特征用于朴素贝叶斯分类器进行训练，同时又融合了车辆的亮度信息，用于在上位机上构建训练模型;然后，将构建的模型在嵌入式智能图像卡上进行硬件实现，使其能够满足实时检测系统的需要。　　首先，算法的滤波、边缘检测、二值化、基于朴素贝叶斯模型的车辆目标检测、融合边缘的亮度信息主要在FPGA中进行硬件实现，FPGA同时负责计算目标坐标并将其传递给SRAM。然后，DSP从SRAM中读取目标坐标，根据坐标位置对车辆目标用矩形框进行标注，统计出检测到的目标个数，并将结果送到上位机中进行显示。最后，上位机显示检测结果，并可对FPGA中的参数进行在线调节，参数通过网口传递到DSP，再由DSP传到FPGA中进行实时调整。实验结果表明，上述红外视觉系统不仅可以实时检测出多个车辆小目标，具有较低的时间复杂度和较高的准确率，而且可以检测出被部分遮挡的车辆目标和与相机成一定角度范围内的车辆目标，说明本系统具有较强的鲁棒性和泛化性。　　2、针对战场环境中坦克、飞机、汽车、士兵等小目标的实时识别问题，提出了一种基于小波矩特征与BP神经网络的实时识别方法，并在低功耗的嵌入式智能图像卡上对该方法进行了硬件实现。该方法给出了小波矩特征提取算法的离散化表示，对小波矩特征提取算法和BP神经网络进行了改进，使其能够在DSP中进行定点化实现，降低了时间复杂度。　　为了提高算法的处理速度，本文将图像滤波、自适应阈值计算和图像二值化等图像预处理操作在FPGA中进行硬件实现，而DSP主要完成改进后的小波矩特征提取和BP神经网络分类器的定点化实现。实验结果表明，上述视觉系统不仅能识别单个小目标，也能够同时准确识别出多个小目标;算法具有较低的时间复杂度和平移、旋转、尺度不变性，能够实时识别出发生平移、旋转和尺度变化的小目标。