随着激光技术的发展，激光成像雷达在现代战争复杂战场环境中逐渐获得了广泛的应用，目前激光成像雷达自动目标识别技术已成为国内外研究的热点问题。提出了基于组合矩的激光成像雷达目标识别算法，从激光成像雷达目标的距离像中提取低阶的Zernike矩、Hu矩和中心矩构成组合矩特征，该特征对距离像噪声不敏感，应用径向基函数(RBF)神经网络对三种地面目标进行分类识别。实验结果表明，该算法与应用Zernike矩和Hu矩特征进行分类识别相比，对三种激光成像雷达地面目标的平均识别率在高载噪比(20 dB)下分别提高了

激光成像雷达距离像与目标表面物理结构特性密切相关，体现目标的本质特征，是目标识别的主要研究方向。采用组合矩的神经网络方法进行了相干激光雷达距离像目标识别仿真研究。用Hu不变矩和仿射不变矩两者的低阶矩组合表示距离像目标区域特征，利用反向传播(BP)神经网络识别不同方位角的车辆。当视场角不变时，训练10个目标，每个目标取3~19个样本，在不同载噪比(CNR)情况下，分析Hu不变矩、仿射不变矩和两者组合矩的识别率。理论分析和仿真实验表明利用组合不变矩进行距离像目标识别性能优于单独利用其中一种不变矩。

相干激光雷达距离像与目标表面物理结构特性密切相关，体现目标的本质特征，在目标识别领域引起广泛关注。数据采集过程和采集成本决定了激光雷达不容易采集到大量的图像。在小样本情况下，随着特征维数的增加，识别率可能会下降，即出现休斯现象。为此，把两种特征选择算法——Relief算法和支持向量机回归特征消去(SVM-RFE)算法引入到距离像目标识别。仿真实验结果表明，在3个训练样本时，利用Relief 和SVM-RFE算法，可以解决由三组组合矩（Hu矩和仿射矩，仿射矩和Zernike矩以及仿射矩、Hu矩和Z