基于无线通信信号的目标识别技术可以同时兼顾数据传输以及对周围环境目标的探测,其应用前景十分广阔。而如何选用适合叶簇场景的无线通信信号,并提取有效的目标特征对其进行准确的分类识别是其中重要的关键技术,本文选题具有重要的理论意义和应用价值。本文深入研究了基于无线通信信号的目标识别技术,主要完成了以下具有创新性的研究成果:针对叶簇环境的目标探测问题,本文提出了一种基于无线通信信号的叶簇环境目标检测及识别算法。首先,分析和比较了现有的各种无线通信信号的性能特点,选择适合当前场景的超宽带(Ultra-Wideband,UWB)无线通信信号作为目标的探测信号;然后,提取了采集的UWB信号的多径分量统计参数,并利用概率密度函数选择了可分性最优的参数来表征目标信号;最后,利用不同的分类识别算法结合所选择的特征向量对目标进行识别。实验结果表明,所选择的UWB信号能够在叶簇环境下实现对目标的有效识别,并且所选择的特征具备区分人体目标和动物目标的良好可分性能。针对强杂波下的目标特征提取问题,本文提出了一种基于高阶统计量(Higher-order Statistics, HOS)的特征提取算法,利用其对高斯有色噪声的不敏感性能来对抗背景噪声。首先,通过计算信号的四阶累积量一维对角切片来提取表征目标的特征信息。然后,采用不同的分类识别算法对基于高阶统计量的特征向量的识别性能进行了验证。叶簇强杂波环境下测量的实验结果表明,所提取的基于高阶统计量的目标特征不仅具有很好的可分性,同时提高了强杂波环境下目标识别的准确率,表现出良好的抗噪性能。针对叶簇环境目标识别性能容易受到气候天气变化因素影响的问题,本文提出了一种基于优化支持向量机(Support Vector Machine,SVM)的多场景多目标检测及识别算法。由于SVM的参数选择会对分类识别性能造成很大的影响,并且传统的SVM参数选择方法容易陷入局部最优解,因此本文提出了基于差分进化的花粉授粉优化算法(Hybrid Differential Evolution and Flower Pollination Algorithm, DEFPA),通过花粉授粉算法(Flower Pollination Algorithm,FPA )对种群中每个个体优化寻优,并通过差分进化算法(Differential Evolution, DE)引入变异机制,提高种群的多样性,使种群得到进一步进化,提高算法的寻优性能。多种天气情况下测量的实验结果表明,基于DEFPA优化的SVM分类算法不仅加快了训练学习分类模型的效率,而且显著提高了叶簇多场景多目标的识别准确率。论文最后总结了全文的研究工作,并且展望了基于无线通信信号的目标识别技术未来的研究方向。