随着模式识别和计算机视觉技术的发展，目标识别在军事、航天、导航、天文和智能视频监控等方面有着广泛的应用，一直以来都受到国内外研究学者们的关注。目标识别的性能主要依赖于相似性度量方法的选择，本文利用深度学习和流形学习理论提取目标图像的特征表示，同时有效的模板选取方法能够提高图像特征的匹配精度，主要研究内容如下:　　首先，介绍了基于模板选取的局部不变特征提取方法，分别阐述了特征提取的目的及条件、判别依据并简单描述了常见的性能较好的特征提取算法。基于模板的特征提取方法在图像识别过程中对于图像信息的处理和特征的提取能够有较好的图像表示，从而使图像识别得到较高的准确率。　　其次，局部神经反应的特征提取算法采用深度学习和流形学习算法提取图像特征，使特征信息表示更具代表性。该算法具有尺度和旋转不变性，且由局部编码获取图像中局部的显著特征，最大化联合操作保持提取特征的平移不变性，在图像识别的过程中可以处理不规则分布的复杂数据和高效处理高维数据、提高分类精度。　　然后，基于局部神经反应提出了一种具有较好特征表示能力的模板选取算法。该算法利用样本图像的标记信息获得较少数目且具有较强判别能力的模板，使局部神经反应更加适合图像识别。通过在标准图像数据库上进行实验，结果表明此算法在使用少量模板的情况下依然可以提高局部神经反应的图像识别精度。　　最后，论文使用MATLAB中GUI界面实现目标中人脸图像识别系统的仿真。结果表明，本文使用的基于局部神经反映的模板选取算法对局部形变和复杂背景具有较好的鲁棒性，能达到较好的图像识别效果。