经过伪装后的目标和诱饵的特性已越来越接近,使得区分目标与诱饵变得越来越困难,仅靠传感器的一次报告提供的信息来识别它们已经不可能,必须利用信息融合的方法来提高对目标和诱饵的识别.该文首先阐述了信息融合和神经网络的基本概念.其次给出D-S证据理论和BP神经网络的算法描述.并且针对BP算法中存在的缺陷,提出了几种改进算法,如缺席算法、强化算法、参数动态调整算法.缺席算法和强化算法的加速比较接近,缺席算法的性能比较稳定,强化算法的学习次数少.参数动态调整算法性能优于以上二者,特别在学习误差要求精度高的情况下,性能更优.这些算法的综合,一般比单方法的学习次数少.通过XOR问题测试验证了上述算法的可行性.最后提出了一种三级融合的识别系统,将神经网络和D-S证据理论相结合用于空间点目标识别.该系统采用神经网络进行第一级融合,把神经网络的每次输出作为一条证据,用证据理论方法把由此得到的证据再进行第二级和第三级的融合.在数值实验时,用BP网络进行目标和诱饵的识别,出现了误差急剧增长的现象.于是在网络训练时加入了动量因子,克服了误差增大的趋势,采用变学习率,克服了陷入局部最优的缺陷,然而收敛速度没有改进.采用缺席算法后使收敛速度提高了很多,用强化算法对该实验数据进行训练,网络具有很好的识别能力,将D-S和BP相结合后识别率可达到90﹪以上.由此得出结论使用多传感器信息融合系统进行目标识别比用单一传感器要好得多,而且将两种方法结合后识别系统的稳定性、识别概率都有很大的提高.