近年来,超宽带(Ultra-Wideband,UWB)无线通信技术被广泛应用于叶簇覆盖环境下的目标检测和识别,这是因为其抗干扰和抗多径性能优异,而且对树叶等介质拥有出色的穿透能力。叶簇覆盖环境中目标的检测和识别,普遍存在检测率低和误警率高的问题,而超宽带信号在这方面具有很大优势,但高效率和高准确率仍是研究者致力追求的目标。针对目标识别的效率问题,本文针对待测目标进行时域特征提取,使得信息的冗余性下降,更加有效地对目标进行识别;本文对几种常见的分类器性能进行比较,选取综合性能更优的支持向量机作为本文的分类模型,以提高目标识别的效率;为了保证识别的准确率,必须保证一定数量的时域特征参数,但这也使得识别速度较慢,本文利用主成分分析法对时域特征参数进行维度压缩,并利用仿真实验证明了其在加快识别速度方面的有效性。针对目标识别的准确率问题,本文选取支持向量机作为目标识别的分类模型,该分类器的识别性能与参数选取密切相关,故本文对其参数优化进行深入研究。现有的参数优化算法在收敛速度和全局最优性能方面各有利弊,本文引用收敛速度性能极佳的粒子群算法的思想对全局寻优能力强劲的混合蛙跳算法进行改进,改进后的算法(PSO-SFLA)同时拥有快速的收敛速度和全局寻优能力,故采用该算法对支持向量机的参数进行优化。通过实测数据的实验验证,表明改进后的优化算法相比于原算法,在提高目标识别准确率方面具有更加优秀的表现。