随着信息时代的到来,信息获取在战争中的地位愈加重要。传感器已经大量用于战场信息的获取,通过传感器对战场目标进行准确及时的识别,愈发成为取胜的关键。然而由于电子对抗技术的大量应用,使得战场环境日益复杂,受到多种因素影响,研究战场特殊环境下多传感器目标识别问题,利用多传感器实现目标识别,更大程度的收集和处理目标的信息,从而提高识别系统的准确性和可靠性就具有重要的意义。针对战场环境下的多传感器目标识别的实现问题,论文对其相关技术进行了理论上的研究。首先,论文在分析传统目标属性融合结构局限性的基础上,提出了基于多方面广泛信息融合的决策融合的概念,为战场环境下多传感器属性融合存在的问题提供了可能的解决方案。然后根据战场复杂干扰环境的特点,提出采用BP神经网络克服目标先验知识缺乏、样本少且波动大的缺点,实现传感器子源的本地分类识别;通过分析传感器状态与性能、环境状况等因素对目标观测的影响,采用了由神经网络和模糊推理所组成的ANFIS可信度判别器,自适应综合处理传感器的状态与性能及外界环境等多种信息得到各传感器不同的实时可信度；采用了不同融合原理的几种融合算法。最后提出一种基于传感器网络的目标识别模型,该系统模型的各部分由上述算法实现。并对提出的理论进行了计算机仿真实验。