随着科技的进步,目标分类受到越来越多的关注,在诸多领域有非常重要的应用,例如军事侦察、医疗诊断、视频监控等等。近几年,一种跳过成像步骤,对目标进行探测后直接分类的策略被提出,学者们并为此提出了一些无成像的目标分类方案。然而,现阶段的无成像目标分类无法做到在极弱光条件下实现目标分类。随着光子探测器件和成像系统的快速发展,一种基于单光子探测器的关联成像系统可以解决极弱光成像问题,且由于其数据获取与成像相互分离的独特的成像机制,本文利用该系统作为数据获取平台,提出无成像目标分类方案。本文的研究主要包括:一、基于机器学习的无成像目标分类研究。在关联成像领域,哈达玛矩阵由于其较高的成像效率被广泛关注。本章提出一种利用哈达玛调制实现无成像目标分类的方案,以达到实现高效目标分类的目的。本章就方案讨论了系统的搭建、数据的获取、机器学习算法的构建、数据集选取等。然后开展了仿真实验,验证了方案的可行性,并进一步就不同光子数水平下的分类准确率进行了讨论,分析了光子计数方式对在极弱光条件下实现分类的瓶颈。二、基于机器学习的极弱光条件下的无成像目标分类研究。由于光子计数方式对光子数水平非常敏感,因此在极弱光条件下,此类算法无法实现效果理想的目标分类。因此,本章提出一种基于首达光子脉冲计数的无成像目标分类方案。对此方案,本章分别进行了仿真实验和实际实验。在实际实验中,针对难以获取大量训练集的问题,提出了以仿真生成训练集的策略。实验结果证明,我们提出的方案有效地实现了极弱光条件下的目标分类,而且在利用成像算法都无法成像的情况,依然有高达90%的准确率。本文重点在解决极弱光条件下目标分类的问题。从方案的介绍,到数据的获取及处理,从仿真实验到实际实验,对极弱光条件的目标分类做了介绍和分析。我们相信,此方案可以为一些极端环境实现目标分类提供一种新的解决途径。