为了达到高可靠性的分类识别效果，通常采用现代模式识别理论和方法进行分类器设计，例如基于统计的模式分类方法、模糊模式分类方法、基于神经网络的模式分类方法、基于支持向量机的模式分类方法、基于模型的模式分类方法和基于句法的模式分类方法等。
基于统计的分类识别算法是用概率模型得到各类别的特征向量分布并以此进行未知样本的分类，其中主要的方法有聚类分析法、判别类域代数界面法、统计决策法和最近邻法等。Pasal等人基于似然函数的统计分类识别算法，对激光雷达距离像进行了分类识别；Qin等人基于最小概率误差的统计分类识别算法，利用模拟的地面交通目标的距离像进行了实验验证。
模糊分类识别算法运用模糊数学的理论和方法解决分类识别问题，适用于分类对象本身或要求的识别结果具有模糊性的场合，其关键在于对象类的隶属函数的设计。Garten等人应用模糊逻辑分类器对T62和T72两种坦克目标进行识别。
基于神经网络的分类识别算法是受人脑组织的生理学知识启发而建立的分类方法，它是由大量简单的单元——神经元相互连接而构成的非线性动态系统，具有生物神经网络的某些特性，在自学习、自组织、联想及容错方面具有较强的能力，具有能够通过调整使得输出在特征空间中逼近任意目标的优点，但数学解释复杂，常常需要通过大量试验进行网络设计改进。Soliday等人将从目标距离像中取的几何特征和从强度像中提取的反射系数特征进行特征层融合，然后利用混合的模糊－神经网络分类器进行识别。Pal等人应用随机选择特征k-nn分类器和改进的多层感知器（MLP）网络两种方法对激光成像雷达目标进行识别。
基于支持向量机的分类识别算法建立在VC维理论和结构风险最小化原理基础上，通过适当地选择函数子集中的判别函数，根据有限样本信息在模型的复杂性和学习能力之间寻求最佳折衷，使学习机器的实际风险达到最小，以期获得最好的泛化性能。孙剑峰等就利用支持向量机对真、假建筑物目标的激光成