无人值守地面传感器（Unattended Ground Sensors,UGS）系统通常简称为地面传感器系统,是由布放在监测区域地面上的传感器节点、汇聚节点和监控节点所组成的无线监测网络。传感器节点对监测区域的目标信息进行采集、处理,并以无线方式将监测信息上传至汇聚节点,最终上传至远程监控中心。UGS监测系统具有快速部署、使用便捷、成本较低等优点,在战场信息采集及要地监控等领域有广阔的应用前景。但是迄今为止,国内关于适用于野外环境条件的UGS监测系统和多目标分类的实用化技术专题的研究较少,许多研究仍停留在系统仿真与算法验证的层面上。为了推进UGS监测系统的实用化,本文对野外UGS智能监测系统的设计与技术实现,以及系统的目标信号去噪、特征提取和多目标分类算法,开展了深入的理论研究和实验验证。主要研究内容包括以下几个方面:（1）参考国外已列装的UGS监测系统,设计了由传感器节点和汇聚节点组成的节点簇,以及以节点簇和监控节点所构成的UGS智能监测系统,可用于监测地面运动目标。完成了UGS智能监测系统原理样机的研发工作,对UGS智能监测系统原理样机的节点组网功能、节点目标监测功能进行了测试。测试结果表明,该系统原理样机能成功组网运行;系统对人员和小型车辆的有效监测距离分别为10米和21米。（2）为提高目标分类的准确性,深入研究了传感器节点信号的预处理方法——目标信号去噪算法。广泛研究了多种常用的目标噪声抑制算法,在Mallat去噪算法的基础上提出了改进的Mallat去噪算法——选用硬阈值处理小波系数,并用BP3准正交滤波器组系数作为小波分解重构滤波组;以目标分类的准确率和算法的耗时为指标,对所提出的改进的Mallat算法与其他去噪算法进行实验比较。结果表明,改进的Mallat算法可有效提高UGS智能监测系统中声音目标分类的准确率,对Sens IT数据集分类准确率提高约9%,对于UGSSense数据集分类准确率提高约4%;且算法的计算速度更快。（3）研究了适用于UGS智能监测系统的目标特征提取算法。针对目标分类第二步——目标信号特征提取问题,提出了一种基于目标信号小波系数能量比（Wavelet Coefficients Energy Ratio,WCER）的声—振联合特征提取方法。采用多孔小波算法将目标信号分解为一组小波系数,计算每层小波系数所占能量占比作为目标信号的特征向量,并用层次聚类方法来简化目标声音和振动信号的WCER特征,再将二者的特征进行串行融合,以声—振联合特征向量来提高目标识别分类的准确率。使用Sens IT数据集和UGS Sense数据集进行实验验证,结果表明,WCER特征提取方法能够有效地从目标信号中提取目标特征,而且特征简化减少了目标特征提取和识别分类的时间消耗。与单独使用目标声音特征或振动特征相比,使用声—振联合特征对目标进行识别与分类的准确率有一定提高,增加值约为12%（Sens IT数据集）和4%（UGS Sense数据集）。（4）研究了UGS智能监测系统中的多目标分类算法,提出了一种新的基于神经网络的分类方法——多深度置信网络（Deep Belief Network,DBN）加权投票算法,用于UGS智能监测系统中地面目标特征数据分类问题。该算法在DBN分类器的基础上,使用多个DBN分类器进行投票,以提高多目标分类的准确率。对多DBN加权投票算法中的多个分类器进行“上端训练”后,将所得到的参数移植到UGS智能监测系统中的节点上,从而实现多种目标分类。实验结果表明,与单DBN分类器比较,多DBN加权投票算法可有效提高目标分类准确率,准确率增加值为5%左右,且计算量和内存需求在UGS传感器节点可承受的范围内。