随着激光技术的发展，激光成像雷达逐渐获得了广泛的应用，与其紧密相关的目标识别技术已成为国内外研究的热点问题。本论文主要基于简单背景的相干激光雷达仿真距离像，在小样本情况下，分析三维目标形状的特征表示、特征选择和识别，建立有效的三维目标识别方法。论文的主要工作分为四部分：为了减少Zernike不变矩（ZMIs）计算量，提出了利用ZMIs的偶阶矩进行激光雷达距离像目标识别；研究了目标识别性能与Hu不变矩（HMIs）、仿射不变矩（AMIs）和ZMIs，支持向量机（SVM）和反向传播神经网络（BPNN）以及训练样本数目之间的关系；还利用真实激光雷达图像验证了三种不变矩的旋转不变性。为了提高目标识别性能，把4组组合不变矩引入到激光雷达目标识别中；为了解决小样本情况下组合不变矩引起的“休斯”现象，依据随机子空间支持向量机集成（RSE-SVM）算法思想，提出了半随机子空间支持向量机集成（sRSE-SVM）算法，并且利用这两种算法和Relief算法以及支持向量机回归特征消去（SVM-RFE）算法对组合不变矩进行特征选择，提高了激光雷达距离像目标识别的性能。为了提高小样本时无铰接式目标识别的性能，提出了融合激光雷达距离像任意方位角信息的SVM集成和BPNN集成方法。基于单一不变矩和组合不变矩，分析分类器集成、Relief算法、SVM-RFE算法、RSE-SVM和sRSE-SVM算法的目标识别性能。还研究了训练样本俯仰角不变而改变测试样本俯仰角时，基于单一不变矩的分类器集成的泛化能力，并且与单分类器性能比较。为了提高铰接式目标姿态识别的性能，把弹性形状分析方法引入到激光雷达距离像。研究在任意方位角下，激光雷达距离像铰接式目标姿态识别，利用相同数目的样本，分别与HMIs、AMIs和ZMIs的SVM识别性能比较。另外，还研究了弹性形状分析方法的平移、尺度和平面内旋转的不变性。