图像目标识别是计算机视觉和图像分析领域中的一个重要研究课题。本文主要研究目标识别中的三个重要工作:图像去噪、刚体点集配准以及基于形状特征的目标聚类。本文主要工作及研究成果如下:1、目前高斯去噪算法和泊松去噪算法中仅用像素灰度值来确定像素间的相似性权值不够准确。将信息几何原理应用到图像去噪中,利用像素邻域内统计信息的差异确定相似性权值,提出了一种基于测地线距离的高斯去噪算法和基于测地线距离的泊松去噪算法。针对高斯噪声,通过高斯统计建模,利用流形上两点之间的测地线距离表示两像素点之间的相似性,测地线距离大小表示像素邻域间平均灰度强度和细节丰富程度的差异。针对泊松噪声,利用非局部极大似然估计出泊松分布模型的参数,从而将像素点转化到统计流形上,利用两点之间的测地线距离计算像素间的相似性权值,根据非局部均值算法进行泊松去噪。通过实验结果可得,基于测地线距离的高斯去噪算法在平坦的区域能取得较好的去噪效果,同时能很好的保留边缘细节信息;基于测地线距离的泊松去噪算法在去除泊松噪声方面,其性能相对于非局部均值算法有了较大的提升。2、在基于混合模型的鲁棒点集配准算法中,对点集构建高斯混合模型(Gaussian Mixture Model,GMM),利用两模型间的相似性大小来确定配准参数。根据信息几何的基本思想,利用模型间KL(Kullback–Leibler)散度距离表示其相似性,由此可将点集配准问题看作是流形上一点到其子流形的信息投影问题,提出了一种基于KL散度的刚体点集配准算法,在信息几何中具有明确的几何解释,通过寻找使得两GMM间的KL散度的最小值来确定最终的配准参数。经实验分析可得,基于KL散度的刚体点集配准算法对噪声和出格点具有较强的鲁棒性。3、在目标聚类方面,基于Peter研究工作的基础上,初步研究了基于统计流形的目标形状聚类算法。首先,运用模型学习的方法,根据最小信息长度(Minimum Message Length,MML)准则自动选取等量的关键点。然后,通过GMM建模,将目标形状的关键点集转化到统计流形上,目标点集成为流形上一点,流形上两点之间的测地线距离表示目标之间形变的大小,由此可以进行目标的聚类。实验验证了本文算法在目标聚类方面的可行性。