自然场景下的图像目标识别是指在自然场景下拍摄的图像中提取图像特征,利用图像特征定位图像中多个目标的具体位置并识别图像中各个目标所属的具体类别,是图像处理、机器学习、计算机智能化的基础性研究工作,在精密仪器测量、智能视频监控、增强现实、医学图像处理、体育视频分析等领域中有着极为广泛的应用。虽然针对自然场景下的图像目标识别算法的研究已经取得了许多进展,但是由于传统图像目标识别算法难以提取图像深层特征信息,且过分依赖于人工调整参数,使得自然场景下的图像目标识别算法仍是一项非常具有挑战性的研究工作。本文针对自然场景下的图像目标识别算法展开研究,主要成果包括:(1)提出了一种基于改进CNN的图像目标识别算法。首先,在原始图片中截取出足够多的包含着或部分包含着目标的图像候选目标窗口,然后将候选目标窗口输入到改进的CNN模型中,得到CNN深层特征,最后将该深层特征输入到Softmax分类器中对候选目标图片的特征向量进行分类并获得类别的置信度排序结果,选择置信度最高的候选目标窗口作为图像识别目标结果。其中,改进的CNN结构在Alex Net的基础之上,引入了Inception V1结构,并将全连接层替换为了平均池化层,在加深网络深度的同时加宽了网络宽度。实验表明,改进的图像目标识别算法在多个自然场景图像中均能获得较好的识别结果,相比于图像目标识别领域的经典算法准确率较高。(2)提出了一种基于SVM决策树的图像目标识别算法。利用改进的SVM决策树对图像目标的CNN特征依次进行四大初始分类和子类分类,通过对分类结果置信度排序和筛选,确定图像目标的具体位置和具体类别。其中,改进的SVM决策树结构在传统SVM多分类器的基础上,引入了优先分类的思想,将多个SVM分类器依据其分类准确性排列成决策树的结构,优先分类出置信度水平较高的类别。具体来讲,在训练阶段,列出每一结点上SVM二分类的所有可能性,然后利用训练集的CNN特征对每一SVM分类器进行训练,最后根据样本经过每一SVM二分类器得到的分类准确率和置信度判定SVM决策树每个节点应区分的类别。在测试阶段,将测试集CNN特征输入SVM决策树,获得样本的置信度,并根据置信度得到最终定位结果。实验结果验证了改进算法与传统SVM多分类器相比具有较高的准确率和测试效率。