随着信息技术的高速发展和现代战争的需要,多传感器信息融合作为一门新兴交叉学科得到广泛关注。基于信息融合技术的目标识别已成为国内外研究的热点。如何快速、准确地对目标进行识别,是摆在众多学者面前的一个重要研究课题。本文介绍了信息融合技术的基本理论,在此基础上,重点对神经网络和证据理论进行深入研究和分析,并将神经网络和证据理论相结合,以更好地解决目标识别系统中所存在的问题。　　本文的主要研究内容及成果如下:　　1.神经网络在目标识别领域得到了越来越广泛地应用,但是对复杂的传感器系统,单一神经网络会存在稳定性差、收敛性差等问题。为此,本文设计了基于神经网络组的目标识别方法。通过对目标特征适当分组,建立相应的多个子网络并行组合的神经网络组,有效利用传感器提供的冗余信息,提高目标识别率。仿真结果表明,利用神经网络组不但能够提高目标的识别精度,而且还减少了网络训练时间。　　2.证据理论作为一种有效处理不确定信息的推理方法,在多传感器信息融合中得到了广泛应用,然而,由于证据理论难以处理证据冲突的情况,也就限制了其应用范围。本文设计了一种新的基于证据权值的组合方法。当证据相互冲突时,该方法通过给各组证据赋予不同的权值来调整概率分配函数,然后用D-S组合规则进行融合。仿真结果表明,新方法可以有效提高目标判定的可靠性。　　3.针对当前目标识别系统中常用的信息融合方法识别率较低、运行速度慢、稳定性差等问题,本文设计了一种联合神经网络组与证据理论的信息融合方法,称为GNN-DS算法。该算法的主要思想是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,利用神经网络进行特征级融合,然后利用证据理论对神经网络组的处理结果进行时间域和空间域的决策级融合。仿真结果验证了该方法对提高目标识别率和抗噪能力方面的有效性。