随着信息技术的快速发展，各种面向复杂应用背景的多传感器系统不断出现。在多传感器系统中，不确定性信息的处理是一个引人注目的研究热点。证据理论作为一种有效处理不确定性信息的推理方法，在多传感器系统中得到了广泛应用。但证据理论只适用于证据独立的情况，而实际应用中往往需要处理不独立证据或冲突证据。因此，对证据理论的研究和改进是摆在众多学者面前的一个重要课题。本文对证据理论进行研究和改进，并将证据理论和神经网络技术相结合，以解决多传感器系统中的目标识别问题。 本文的主要内容及研究成果如下： 1、分析了现有的证据组合方法，并指出其不足。在对不同证据焦元之间的冲突程度研究的基础上，提出了一种基于相互可信度的冲突证据组合方法。仿真结果表明：改进后的新方法合成效果好，合成结果更为理想。 2、针对多传感器系统中存在的信息冲突问题，设计了一种基于证据理论的目标识别系统，以解决多传感器系统中冲突信息的融合和识别问题。研究给出了目标识别融合系统的原理，仿真结果证明了该融合系统的可行性。 3、针对多传感器信息融合中基本概率赋值难以获取的问题，给出了一种利用神经网络技术获取基本概率赋值的方法，克服了现有的依赖专家经验获取基本概率赋值主观性强的缺点。 4、提出了一种将证据理论与神经网络相结合的目标识别融合方法，给出了利用该方法进行目标识别融合的步骤，构建了证据理论——神经网络识别器的网络拓扑结构，推导了网络的学习公式。仿真结果证明了该目标识别融合方法的可行性。 本文所做的工作，对于发展多传感器信息融合理论是一个大胆、有益的尝试，对信息融合、神经网络、目标识别、数据处理及计算机科学等领域有一定的贡献。该研究具有重要的理论意义和工程应用价值。