目标分类是图像和视频理解的一项重要的基础性任务,目的是将目标区分成不同的种类,达到识别目标的目的。传统的视觉研究是在帧的信息格式上进行的,以图像为信息载体的方式成为了计算机视觉等多个领域普遍使用的方法,但是图像并不是视觉研究的唯一选择。随着视觉研究的发展,传统图像传感器遇到了帧率有限、数据冗余和动态范围低的发展瓶颈。仿生动态视觉传感器（Dynamic Vision Sensor,DVS）仿照生物视网膜工作机理,引入了一种全新的视觉信息表示方式。单个感光像素单元仅在观察到光强发生变化超过一定阈值时触发,并以低延迟异步输出事件,对光强的对数变换使其具有更大的动态范围。从根源消除了冗余数据的产生,降低信号处理成本,解决了传统图像传感器数据冗余、难以捕捉快速运动目标和在弱光或强光环境下无法工作的问题。随着传感器的普及以及独特的优势,仿生视觉在各种现实场景中具有很大的应用潜力,使其成为自动驾驶、机器人导航和无人机视觉的理想选择。DVS通过引入一种全新的视觉场景表示方式,推动了实时和低功耗算法的研究。本文主要研究基于DVS相机捕捉到的事件信号进行目标识别的问题,通过对DVS硬件结构和成像原理进行分析,对事件的表示方式、如何从事件流的有效提取特征信息以及特征分类方面进行了研究。本文的主要工作如下:首先,搭建了一个DVS和运行嵌入式系统上的卷积神经网络（Convolutional Neural Networks,CNN）相结合的实时仿生相机目标识别系统。DVS用于原始数据采集,将事件进行预处理后使用卷积神经网络实现实时的目标识别。其次,提出了事件驱动的特征提取方法。根据事件特性和时空分布,从事件信号中提取特征信息,每一个事件编码成一个模式值,通过激活事件平面进行特征向量的提取,并引入了一个三类车辆目标识别任务。将该算法在现实场景下采集的数据进行测试,实现了三类目标的特征提取和分类。最后,提出了一个事件驱动的运动目标识别算法,由检测模块和分类模块组成。检测模块通过目标运动产生的事件在时间上连续性和空间上的关联性来对事件进行标记,相同标记的事件组成同一个目标,来进行目标的提取,然后采用特征提取和分类器进行处理。该方法在仿生目标识别系统上采集数据进行实验,在八类目标数据集上表现出了良好的结果。