目标分群作为态势感知需要解决的重点和难点,是确定目标实体之间关系的重要依据,是后期数据融合系统实现的基础。本文主要研究目标分群的算法,并针对其缺陷给出其算法改进思路与具体实现。论文的主要工作如下::首先,在深入分析数据融合、态势评估与态势感知三者按层次结构具体化的关系基础上,指出目标分群在态势感知存在的重点与难点问题,研究现有的目标分群方法,着重分析解决目标分群算法之一的层次聚类算法。其次,分析了经典层次聚类算法的特点与功能,分析层次聚类算法中Rock算法、Cure算法和Chameleon算法在相似度计算中的优劣,对在相似度计算中有明显优势的Chameleon算法进行分析,详细研究了其基本概念、数学模型、实现流程,通过理论分析与仿真实验发现了Chameleon算法的局限性。最后,从Chameleon算法的局限性入手,按照算法两阶段的流程,将基于密度峰值的DPC算法引入Chameleon算法第一阶段,将社团结构学科引入Chameleon算法第二阶段,对于算法的两阶段进行改进,提出了可用于解决目标分群问题的Chameleon改进算法。针对Chameleon改进算法,详细介绍了其算法模型、算法流程,给出了具体的仿真实验。实验结果表明,Chameleon改进算法较传统Chameleon算法具有对输入参数敏感程度低且可以处理多形状数据集的特点。