近年来多传感器信息融合理论及其应用技术研究得到了快速的发展,已经成为一个重要的研究领域,基于信息融合的目标识别技术成为国内外研究的热点。由于空间目标识别是空间监视中的一项关键技术,因而成为目标识别的一个重要研究方向。针对空间目标识别问题的特点,多传感器信息融合可望突破传统识别方法的瓶颈,本文即以此为出发点,研究了多传感器信息融合方法及其在空间目标识别中的应用。基于多传感器进行空间目标识别,首要任务就是判断来自不同传感器的信息是否针对同一目标,这就是航迹关联问题。目前的航迹关联方法在密集目标环境下,航迹错关联概率和漏关联概率较大,针对这一问题,本文利用D-S证据理论,提出了基于模糊综合决策的D-S航迹关联方法和基于K近领域的D-S航迹关联方法,两种方法成功地将模糊决策的逻辑性和统计模式分类的严密性与证据理论的智能特性相结合,仿真结果说明了两种方法的有效性和实用性。假设传感器得到的目标信息是关联的情况下,下一步的工作就是如何利用传感器信息获得目标的有效识别。神经网络方法在这方面应用较为广泛,但是对复杂的传感器系统,单一神经网络会出现稳定性差、收敛性差、网络训练时间长等问题。就此本文提出了基于模糊决策的神经网络和带有加权融合的神经网络组两种目标识别方法,与传统的神经网络相比,基于模糊决策的神经网络结构简单,逻辑层次分明,学习训练算法简洁,而神经网络组在不增加训练时间的基础上,提高了网络的智能特性,能够更加合理地对不确定性信息进行融合。经仿真验证,基于模糊决策的神经网络能够提高噪声较大情况下的识别率,而利用神经网络组不但减少了训练时间,而且提高了目标识别的精度。在目标识别过程中,如果能够得到关于目标属于不同类别的基本概率分配的话,则证据理论显示了信息融合的优越性。本文引入了基于证据决策的目标识别方法,经仿真验证,证据理论对于不确定信息能够很好地进行处理和融合。但是D-S证据理论不能处理矛盾证据,限制了其应用的范围,本文在分析这一问题来源的基础上,提出了改进的D-S证据融合规则,经实例验证,改进的方法能够有效地解决这一问题,并达到了理想的识别效果。最后针对飞机目标的识别问题,利用神经网络组和D-S证据理论建立