目标检测与归类是计算机视觉与模式识别领域的热点，并广泛应用于军事情报分析，安防监控，互联网数据处理等领域。当前，通过统计学习手段从图像中学习物体的特征表达，正在成为研究的重要方向。这主要是由于两个方面的原因:第一，从仿生学角度，对人脑视神经细胞感受野的研究显示，视觉算法应关注无监督的局部特征学习，以及将局部特征根据空间位置组合形成自底向上的高层特征表达的机理。第二，从应用层面角度，传统的人工设计的特征越来越难以适应当前复杂场景、多姿态、大类内差别、海量数据等挑战，而从数据集中学习得到对分类更有效特征，成为必然趋势。　　本文针对不同类型的目标，围绕特征学习与特征选择进行了如下工作:　　1.针对复杂场景下红外小目标检测，通过监督学习，得到红外小目标在邻域内的灰度分布特征。基于这些特征，提出级联检测方法，将局部灰度极大值位置通过多级分类器分为目标与非目标，可以快速进行小目标检测。　　2.针对空地目标检测，利用局部特征视觉显著性机理，取类别相关特征，在特征空间提取视觉显著性。随后只需要对显著性区进行识别，避免了全局滑窗搜索，提高了检测算法效率。　　3.针对过完备局部特征表示与空间归并产生的高维特征表达，提出采用在线学习线性分类器进行特征选择。将稀疏贝叶斯学习与自适应约束权值算法相结合，得到具有稀疏权值的线性分类器，用权值进行特征选择。本方法可以在普通电脑上快速完成大规模数据集的高维特征选择。经过特征选择后，单层结构的算法在CIFAR10目标归类数据集上的正确率可以和很多深度学习算法相媲美。　　4.对基于层次结构的特征学习进行了一些尝试。将局部特征按限定的空间关系框架进行学习，得到了目标的部件特征;研究了基于匹配核的思想的层级模型，在核空间内进行特征表示与降维，可以用较低维的特征表示实现较好的分类结果。