随着信息化技术的广泛应用,多传感器信息融合技术得到了空前的发展,基于目标识别的多传感器信息融合方法更是成为了研究的热点。本论文介绍了信息融合的一般理论以及应用信息融合进行目标识别的几种常用信息融合方法。在此基础上,重点对Bayes理论方法、D-S证据理论方法和神经网络方法进行了分析和研究,并将D-S证据理论方法和神经网络方法结合进行目标识别。D-S证据理论是较为完善的一种方法,其优势在于能够较好地处理不确定性问题。同时D-S证据理论存在矛盾冲突、计算上的组合爆炸以及要求证据必须独立等问题,而证据独立是一个很强的条件,很多情况下都不能严格满足。因此,本文在分析了D-S证据理论方法的基本原理和融合方法的基础上,提出了一种推广的D-S证据理论方法。推广的D-S证据理论既有重要的理论价值,同时具有很好的应用价值。神经网络由于其近期的发展,已经很广泛地应用在各个领域当中。其中应用最为广泛的BP神经网络是一种单向传播的多层前向网络。BP模型虽然从各个方面都有其重要的意义,但它存在有局部极小,收敛速度慢等问题。本文介绍了一种BP神经网络与模糊推理相结合的方法,可以更好的完成目标识别的任务。针对目前多传感器系统中常用的信息融合方法识别率较低、网络稳定性不好、不能很好的处理不确定性等问题,本文提出了一种联合D-S证据理论和神经网络的信息融合算法,称之为DSBP算法。该算法根据多传感器测量信息的特点,对其进行分组,每一组建立一个神经网络,同时在对目标可信度计算结果的基础上,引入对目标未知度的概念,最后利用D-S证据推理对神经网络的处理结果进行时间域和空间域的递归融合。DSBP算法兼顾神经网络模式识别的优势,以及D-S证据理论处理不确定性理论的优势,有效地解决了目前信息融合方法对大噪声不确定性传感器测量信息的误识别问题。仿真实验结果验证了该算法在提高目标识别率和抗噪能力方面的有效性。