سیستم های هدف یاب خودکار (atr) سیستم هایی می باشند که در جنگ افزار های نظامی مورد استفاده قرار می گیرند. مهمترین مزیت استفاده از این سیستم ها در حذف نقش انسان از فرایندهای شناسایی و تعقیب می-باشد. زیرا عکس العمل انسان کند، با درجه اطمینان پائین و وابسته به شرایط روحی اوست. اهدافی که توسط سیستم atr پردازش می شود تانک، خودرو، کشتی، هواپیما و سایر اهداف می باشد. تصویر ورودی سیستم atr توسط یکی از سنسورهای تصویر برداری (رادار امواج میلی متری، رادار لیزری، دوربین ویدئویی، دوربین مادون قرمز) حاصل می شود. از کاربردهای شناسایی خودکار هدف می توان به نظارت، بازرسی صنعتی، بازیابی تصویر مبتنی بر محتوی، رباتیک، تصویربرداری پزشکی، اثر متقابل انسان کامپیوتر، سیستم های وسایل نقلیه هوشمند اشاره کرد. atr یک تکنولوژی با قدرت نفوذ بالا و با قابلیت کمک به انسان برای خودکار کردن سیستم های اتوماسیون است. از دیگر کاربردهای غیرنظامی شناسایی خودکار می توان به شناسایی چهره اشاره کرد که بطور وسیعی برای دهه هاست که مطالعه می شود و تلاش ها در این زمینه همچنان ادامه دارد. بسیاری ماموریت های دفاعی و نظامی به آگاهی خودکار از موقعیت در محیط نیاز دارند. عنصر اصلی این ماموریت ها، آشکارسازی خودکار، ردیابی و شناسایی اهداف است. در شناسایی خودکار هدف، ممکن است از اهداف متعددی استفاده شود که بر حسب کاربرد تعیین می شوند. یکی از اهداف متداول در صنایع نظامی و حمل و نقل کشتی ها هستند که به صورت متداول در دریا و بندر گاهها یافت می شوند بنابراین تشخیص خودکار کشتی در بسیاری از کاربردها حائز اهمیت می باشد. آنچه در این پژوهش به آن پرداخته می شود، شناسایی خودکار کشتی با استفاده از پردازش تصاویر دیجیتال است. پس از بیان مقدمات لازم راجع به اجزای مختلف الگوریتم شناسایی خودکار هدف و روش های مختلفی که در هر مرحله استفاده می شود، دو روش از روش های قبلی شناسایی خودکار هدف پیاده سازی شد. روش اول شناسایی با استفاده از مشخصه های haar و طبقه بندی کننده ی adaboost و روش دوم شناسایی با استفاده از ویژگی های sift می باشد. که روش اول به نرخ تشخیص درست 87.5 درصد منجر شد و روش دوم فقط زمانی نتیجه خوبی ارائه می دهد که تصویر کشتی مورد نظر درون پایگاه داده وجود داشته باشد. که در این صورت نرخ تشخیص درست برای تصاویر تا مقیاس حداکثر یک چهارم و تحت همه ی چرخش ها 100درصد و نرخ هشدار غلط صفر خواهد بود. در نهایت، دو روش کاملاً جدید مبتنی بر بافت تصویر ارائه شد. روش اول پس از ناحیه بندی تصویر به طور دستی و استخراج ناحیه کشتی، ویژگی بافت آن ناحیه با استفاده از تصویر الگوی باینری محلی استخراج گردید و پس از آن هیستوگرام تصویر به عنوان بردار ویژگی کشتی استخراج گردید و از بردارهای به دست آمده برای آموزش دو نوع طبقه بندی کننده ی شبکه عصبی mlp و svm استفاده شد. ماکزیمم نرخ تشخیص درست به دست آمده از این روش در بهترین حالت، ماکزیمم نرخ تشخیص درست (tpr)برای طبقه بند svm برابر 100 درصد و نرخ هشدار غلط(far) متناظر با آن 59.4 درصد و نرخ تشخیص درست مکان کشتی(l) متناظر برابر با آن 77.5 درصد می باشد. مینیمم نرخ هشدار غلط برای طبقه بند svm برابر با 11.5 درصد و نرخ تشخیص درست متناظر با آن برابر با 0.27 می باشد. بیشترین مقدارl برای طبقه بند svm برابر 96.53 به ازای95.8 tpr=و34.88 far= می باشد. در طبقه بند mlp ماکزیمم نرخ تشخیص درست (tpr)99.66 درصد که نرخ هشدار غلط(far) متناظر با آن 51.72 درصد و نرخ تشخیص درست مکان کشتی (l) متناظر برابر با 70.6 درصد می باشد. مینیمم نرخ هشدار غلط برای طبقه بند mlp برابر با 21.5 درصد و نرخ تشخیص درست متناظر با آن برابر با 53.9 می باشد. بیشترین مقدارl برای طبقه بند mlp برابر 92.06به ازای 95.55 tpr=و34.88 far= می باشد. روش دوم، مشابه روش اول انجام می شود با این تفاوت که اندازه بردار ویژگی به وسیله ی اعمال چندین فیلتر گابور بزرگتر می گردد. و از بردارهای به دست آمده برای آموزش دو نوع طبقه بندی-کننده ی شبکه عصبی mlp و svm استفاده شد. ماکزیمم نرخ تشخیص درست برای طبقه بند svm برابر با 100 درصد و نرخ هشدار غلط متناظر با آن برابر با 56.38 و نرخ تشخیص درست مکان کشتی متناظر با آن برابر با 74.44 درصد می باشد. مینیمم نرخ هشدار غلط در این روش برابر با 8.5 درصد و نرخ تشخیص درست متناظر با آن برابر با 0.2 درصد می باشد. ماکزیمم نرخ تشخیص درست برای طبقه بند mlp برابر با 98.7 درصد و نرخ هشدار غلط متناظر با آن برابر با 43.2 و نرخ تشخیص درست مکان کشتی متناظر با آن برابر با 71.9 درصد می باشد. مینیمم نرخ هشدار غلط در این روش برابر با 21.1 درصد و نرخ تشخیص درست متناظر با آن برابر با 68.7 درصد می باشد. بیشترین مقدار l برای طبقه بند svm برابر 93.53 به ازای97.02 tpr= و 35.69 far= و ماکزیمم l برابر طبقه بند mlp برابر 91.39 به ازای92.88= tpr و30.02 far= است.