复杂场景中目标的自动识别与检测是当前科研人员研究的热点与难点，在军事与民用中有着非常好的应用前景，各国也投入大量的人力物力，期望在日益复杂的军事环境与公共安全领域能够占据一席之地，时刻保持其先进性。本文针对复杂场景下的自动目标识别检测方法进行深入研究，对前人的工作进行总结，提出了一套适应不同场景下目标的自动识别检测方法，所作的具体工作和取得的成果如下：（1）研究了基本的分形理论方法，并在此基础上提出了简化的分形检测算法以及基于目标梯度的分形算法，大大提高了算法的运行效率，对微弱边缘的目标也取得了较好的分形检测效果，并针对分形算法分割出来的目标中含有的空洞，提出了基于外轮廓跟踪的目标区域填充算法，使目标分割效果更好。（2）研究了Canny边缘检测算法和广义边缘检测算法，并对这两种算法检测出来的边缘进行连接，得到完整的目标轮廓边缘，针对连接后的边缘图像目标与背景难以区分，提出了一种基于边缘反色与面积限制的目标分割算法，分割出来的目标结果非常理想，接近于真实目标所在区域。（3）研究了目标灰度区域特征与二值边缘形状特征，对分割出来的目标灰度区域提取Hu矩和能量特征，对目标二值边缘提取傅里叶描述子特征，并在多组序列图像中进行匹配特征误差计算，求取每种特征的匹配误差阈值，为后续目标连续跟踪识别打下基础。（4）研究了机器学习中霍夫森林目标检测算法，并在单类目标检测基础上提出了对多类目标进行级联检测的霍夫森林投影目标检测算法，通过对实际数据测试，取得了较好的效果，验证了该算法的检测性能。