毫米波主被动探测系统的目标识别建立在一种复合式的系统上，即毫米波主被动复合探测系统，它包含毫米波雷达（主动探测）与毫米波辐射计（被动探测）两部分。本文首先对这种复合式探测系统的原理进行了简介。当远离目标时，主动探测系统对目标进行搜索、跟踪以及测距，而当探测系统靠近目标时，主动探测系统就无法对目标的进行高精度的探测，甚至可能发生目标丢失的现象，这源于主动探测系统自身目标闪烁效应的缺陷。被动探测系统则不会出现此问题，因为毫米波辐射计自身不会发射电磁波，具备很好的隐蔽性以及抗干扰性。由此表明，毫米波主被动复合探测系统通过优势互补，满足了精确目标识别的要求。　　之后，本文开始对目标识别算法及其优化进行研究，目标识别的主要原理可以简述为:通过某种方式获取被测目标自身的属性数据，识别算法通过对这些属性数据进行分类处理，将不同于真实属性数据的干扰数据排除，达到分类真实目标与干扰目标的目的，从而达到目标识别的效果。而为了使目标识别速度更快、精度更高，可以对识别算法进行一定的优化处理。本文分别将粗糙集优化BP网络和主成分分析优化RBF网络应用于毫米波辐射计目标识别上。仿真结果表明，优化后的BP网络处理不确定问题时性能、训练速度以及准确率都明显优于未优化的BP网络，而经过主成分分析优化过的RBF网络也避免了当输入量过多时，训练时间变长，准确率降低的问题。　　最后，本文在毫米波主被动复合探测系统的基础上，对目标识别算法的优化结果进行了验证，即通过缩比模拟实验和高塔真实工作实验获取信号特征量，将这些特征量作为识别算法的输入，通过仿真，得出优化前后的目标识别算法对识别准确率和速率的影响。结果表明，经过粗糙集优化的BP网络和经过主成分分析优化的RBF网络在各自场景的目标识别过程中，识别速度和识别准确率都有了明显的提升，说明对目标识别算法的优化成功的提升了毫米波主被动复合探测系统在对应场景的目标识别能力。　　另外，根据优化过程中的适用性分析，得出结论:粗糙集优化BP网络的目标识别算法适用于含不同种类目标的识别场景，而主成分分析优化的RBF网络则更适用于大量同类目标的识别场景。