本文以贝叶斯网络及D-S证据理论作为理论工具,深入研究了目标快速识别算法,所作的工作内容如下:1.提出了基于区间估计的参数学习BNIE算法,该算法采用区间估计的形式代替传统贝叶斯网络参数学习的点估计值,将点值泛化为区间的形式,在一定程度上减少了因先验知识稀少时样本训练导致的过度拟合数据现象。2.提出了基于区间推理IRA算法,该算法以观测变量点值为输入,贝叶斯网络节点之间的推理过程中则是以区间形式进行传播,最终推理结果也是以区间的形式体现出来,扩展了以往以点值形式进行概率传播及推理的方式。3.提出了集成推理ERA算法,该算法基于多个专家共同进行一项决策的思想,首先对BNIE算法学得的区间参数值用分段中值方法进行离散化,进而将这些离散化的点值参数分配给同质的贝叶斯推理网络,再通过一定的整合方式对各个基学习器的推理结果进行最终整合,从而判定出待识别目标的类型。4.提出了基于加权模糊逻辑证据理论WFL算法,该算法用加权模糊逻辑作为规则前件,用改进的加权Dempster组合规则实现多证据融合,解决了“是否识别”与“怎样识别”问题,对于设计目标识别系统具有一定的工程指导意义。本文的算法都进行了仿真验证,实验结果表明本文提出的算法快速稳定,满足预期的准确性及实时性指标,具有较强的适用性。