智能汽车是汽车技术创新和行业转型的重要方向。环境感知部分作为智能驾驶系统的信息源,是实现其各项自动驾驶功能的重要保障。相比于其它的感知模式,视觉感知兼具成本低廉和信息丰富的优势,是不可或缺的感知手段。但由于智能汽车行驶环境的多样化,导致单一的视觉目标识别方法难以有效地适用于不同交通场景。结合不同识别方法优势的融合方法已成为改善识别性能的一种重要手段,但是现有融合识别器的设计主要依赖经验,缺乏系统性的方法。为此,本文在综合考虑融合方法需求和识别方法特点的基础上,提出了一种高准确率、低漏检率、高扩展性和低成本的目标识别融合方法。通过理论分析建立了融合前后识别性能的解析关系,给出子识别器的设计指标分解方案,并应用于交通信号灯和行人识别。具体研究内容如下:选择何种子识别器进行融合对改进识别性能至关重要,但现有子识别器的选择主要依赖经验,缺乏系统研究。针对该问题,本文分析了典型识别器对目标分类分数的分布规律,建立了基于分类分数的性能评价模型。并在对子识别器分类分数关系和其满足改善准确率的条件进行合理假设的基础上,利用条件概率和全概率的知识建立融合识别器准确率解析式,进而验证假设合理性的同时,获取欲通过融合方法改善准确率,子识别需要满足的条件。以此作为基本要求,为子识别器的选择提供指导原则。进一步,在满足能改善融合识别器准确率的基础上,选择传统和深度学习识别器作为子识别器。而现有结合两类识别器的融合方法主要增强识别器在特定数据集上的识别能力,其应用于其它环境时,识别性能会严重下降。为解决此问题,本文考虑两种识别器在可扩展性、可解释性和特征提取方面的互补优势,提出了一种基于切换逻辑的融合方法,使其能兼顾一般识别性能和扩展能力。然后,在构建融合方法混淆矩阵的基础上,建立融合前后识别性能之间的理论关系,通过理论分析和数值优化证明所提融合方法有效性的同时,给出子识别器的设计指标分解方案,从而平衡性能和成本之间的关系。此外,本文将所提方法应用于轮廓相近的交通信号灯和外形迥异的行人识别来验证其实际应用有效性的同时,建立高性能交通信号灯和行人识别器。应用结果表明,在上述两种目标识别中,所提方法均能在保证高准确率和低漏检率的同时,兼具高扩展性和低成本的优势。