近年来，随着科学技术的发展，获取的目标信息越发膨胀、复杂。面对这种信息量大、信息模糊的环境，对目标进行准确识别就变得越发困难和重要。而模糊粗糙集能有效地从这种不确定、不精确信息中发现隐含知识及分类规则。所以，本论文采用模糊粗糙集的方法对目标进行识别，主要工作如下：首先介绍了粗糙集及模糊粗糙集的基本概念。其次深入分析并研究了基于模糊粗糙集识别技术中的两个核心步骤：属性模糊化和属性约简。对于属性模糊化，针对基于模糊C均值聚类(fuzzy c-means clustering: FCM)的模糊化方法易受孤立点影响的问题，提出了一种基于改进FCM的模糊化方法，实验表明该方法可以获得更准确的模糊化结果。然后对基于FCM的模糊化方法作了进一步分析，针对FCM需人为指定类别数目，且对初始聚类中心敏感的问题，提出了一种自适应的FCM(adaptive fcm: AFCM)模糊化方法，实验证明该方法不仅能自动调整每个条件属性的类别数目，并获得决策表的一个最优划分；而且在划分的过程中还可以提高收敛速度。对于属性约简，介绍并分析了目前常用的模糊粗糙集约简算法QuickReduct，该算法是建立在代数观点上的，直观性比较差、使人不易理解。为了将信息论的观点引入到模糊粗糙集中，本文对粗糙集中的条件熵进行了改写，从而提出了一种基于模糊粗糙集条件熵(fuzzy rough sets condition entropy: FRCE)的约简算法。实验证明，相比QuickReduct，FRCE能够找到一个更小的约简集合，且约简时间更少。最后，在上述研究成果的基础上，设计了基于模糊粗糙集的SAR识别系统，并将其应用于MSTAR数据库中SAR图像的识别。识别实验表明，该识别系统是可行的，且有效的。其中采用AFCM算法和FRCE约简算法结合的方法，得到的正确识别率明显高于普通结合的方法。