近年来基于多摄像机的智能监控系统受到越来越多的关注。智能监控系统的目标匹配包括了重叠视域目标匹配和无重叠视域目标匹配。无重叠视域的监控范围大，具有更好的应用价值，但由于监控环境变化使得匹配更为困难，具有很大的挑战性。无重叠视域目标匹配由于场景间没有重叠的部分，同一个目标在不同的场景中会由于时间差异而发生很多变化，同时摄像机拍摄的角度也可能不同，这些为无重叠视域的目标匹配增加了难度。本文针对以上问题，对无重叠视域的目标匹配算法进行了一定研究。主要内容和创新点如下：（1）颜色特征是重要的外观特征，但对环境光照变化敏感，对于无重叠视域的目标匹配，场景间存在亮度的变化。使用亮度转换函数可以修正不同场景间亮度的变化，但对于同一场景有多个亮度区域的情况却无能为力，本文提出了基于混合概率主成分分析的方法学习亮度转换空间，解决了一个场景中含有多个亮度区域的亮度转换问题，然后提取颜色特征进行目标匹配。（2）由于颜色特征本身不包含空间分布信息，对于具有相同颜色特征的不同目标会误匹配。本文提出了使用颜色直方图、主颜色谱直方图、方向梯度直方图特征融合的方法构造特征向量，提高目标匹配的鲁棒性。同时，由于主颜色谱直方图的颜色空间维度过高，通过对每个颜色分量降维，实现了对颜色空间的降维，降低了特征向量的计算复杂度。（3）图像的底层特征和高层语义间往往存在巨大的语义差异，所以使用不同的特性向量距离计算方法对目标匹配的正确率造成较大的影响。本文使用距离测度学习算法对特征向量学习一种距离计算方法。针对样本少、特征维度高易于产生距离测度学习过拟合情况，本文提出一种有效地解决方法，即将高维的特征向量分解成多个低维的特征向量，对低维的特征向量分别进行距离测度学习，并且通过特征的类内与类间距离比将多个特征融合，既提高了目标匹配的正确率还降低了计算复杂度。（4）基于以上研究成果，提出了融合外观特征和距离测度学习的无重叠视域综合目标匹配算法，在线下阶段计算亮度转换函数、距离测度矩阵、特征权重；在线上阶段提取目标的特征向量，计算特征向量的距离进行目标匹配。论文给出了详细的实验方法和结果分析，验证了上述工作的正确性。论文最后对全文工作进行了总结，并对该课题进一步的研究工作进行展望。