当前，基于深度学习的目标识别建模技术面临标注样本不足、模型可解释性不高、稳定性不够等新的挑战，限制了深度学习解决更复杂、更抽象问题的可能性。采用知识与数据联合驱动的方式进行智能模型构建是突破现有瓶颈的一条重要途径。该文以外部经验与认知知识在模型构建中的引入方式为区分准则，提出了模型构建方法的分类标准，包括基于显式知识的建模方法、基于隐式知识的建模方法以及基于融合知识的建模方法；然后围绕每类方法在解决小样本、模型可解释性等问题上的探索进行综述，并总结设想了一种未来的知识与数据联合驱动建模方式。这种方式吸取了不同建模方式的优点，通过解耦知识建模与数据建模，以无监督、弱监督为核心训练方式，可以有效解决小样本条件下模型构建问题，提高模型可解释性。最后，该文总结了需要进一步研究的问题和未来的研究方向，以促进目标识别模型构建技术的发展。