超宽带(Ultra-Wideband,UWB)无线通信技术能够实现短距离内超带宽、高速的数据传输。其调制方式和多址技术的特点使得它较于其他无线通信技术具有的更高的数据传输速度、更强的分辨率和穿透能力以及更好的抗干扰能力和安全性。基于以上原因,UWB技术被广泛的应用于对丛林中叶簇覆盖的目标物进行探测和识别。如何从超宽带信号中提取选择目标的特征并对其进行识别仍然是现在研究的热点问题。本文主要针对基于超宽带信号的目标识别关键技术中的特征选择部分进行了深入的研究,并利用实验室搭建的基于超宽带的目标信息采集系统获取的数据开展了以下研究工作:首先,针对量子遗传算法的近几年来几个大的改进方向,深入的研究了三种改进量子遗传算法。对于量子门方面,分析研究了基于自适应相位旋转的改进量子遗传算法;对于加入新算子方面,分析研究了基于交叉变异算子的改进量子遗传算法;对于混合多种改进方法方面,分析研究了基于免疫克隆的改进量子遗传算法。并将这三种改进算法分别运用于背包问题和极值问题的求解,通过仿真分析得出基于自适应相位旋转的改进量子遗传算法在提升收敛速度方面效果显著,同时对于本文的超宽带目标特征选择问题,较于另两种典型改进算法,该算法更为适用。其次,针对最优目标特征子集的选择问题,本文提出了一种基于自适应相位旋转的改进量子遗传算法的目标特征选择方法。量子计算具有高度的并行性、指数级存储容量和对经典的启发式算法的指数加速作用、在计算复杂度、收敛速度等方面明显超越了常规算法,因此本文将量子计算引入特征选择方法中,在不影响高分类精度的同时显著提高算法的运算速度和优化性能。首先对目标特征进行量子位编码,构造初始种群,将特征子集的目标识别率作为适应度函数,将当前种群中的最优特征子集作为种群的所有个体的更新导向,然后利用量子旋转门根据更新导向动态的进行染色体基因的调整实现个体进化,最终获取最优的特征子集来实现更高精度的目标识别。此外,为了验证算法的有效性,与基于传统遗传算法和量子遗传算法的特征选择方法进行比较,得出提出算法具有更快的收敛速度和更好的全局搜索能力的结论。论文最后对全文研究工作进行了总结,并对基于超宽带目标识别的特征选择问题的研究进行了展望。