机器视觉系统中的目标识别方法主要包括以下几种：
1. Blob分析法：Blob分析法指的是对图像中的相同像素的联通区域进行分析，分割出前景和背景，然后进行检测。简单来说，就是在一片区域内，将灰度突变的区域标记出来。Blob分析法可以从背景中分离出目标图像，并估算出目标图像的数量、位置、形状、方向和大小以及目标特征中的结构关联。此方法适用于背景单一，前景缺陷不区分类别，识别精度要求不高的场景。
2. 模板匹配法：模板匹配法是一种最基础、最常用的匹配方法。在获取了相关的待检物体图像之后，去已有的资料库中进行对比，通过统计计算图像的均值、梯度、距离、方差等特征，可以在图中找到目标，确定其坐标位置。模板匹配法的检测精度较高，能够同时区分出不同缺陷类型，但在使用前需要建立较为完备的模板库。
3. 深度学习法：深度学习法自2014年提出后，逐渐成为目标检测的主流算法。深度学习可以自动学习肉眼难以直接量化的特征，特别是在图像分类、目标识别等问题上有显著的提升。
在机器视觉系统中，目标识别通常还包括图像的预处理和图像的分割等步骤。图像的预处理指的是通过矫正机器视觉所获得的图像目标，并将噪音等干扰进行合理过滤，对图像目标内部的信息开展有效提取。图像的分割则是将图像根据阈值、区域、边缘等方式分割成不同的区域或对象，以便进行后续的目标识别。
机器视觉系统中的目标识别方法多种多样，选择哪种方法取决于具体的应用场景和识别需求。
