随着现代军事从机械化向自动化转变，自动目标识别系统的研究得到了人们越来越多的关注。其中飞机图像目标的识别更是目标识别的重要研究领域，在军事现代化的进程中得到了越来越广泛的重视。然而，由于战场环境日益复杂，比如气候因素的影响、虚假目标的干扰、电子干扰、目标数目的增多及其分散程度等，导致目标识别的不精确、不确定、不完全以及高度冲突等问题。因此，如何探索一种识别率高、实时性好的飞机目标识别方法非常关键。本文针对这一问题，提出了一种基于DSmT(Dezert-SmarandacheTheory)分层递阶快速近似推理的多特征融合飞机目标识别算法。　　 首先，对DSmT信息融合理论中存在的计算瓶颈问题进行了深入的研究，在二叉分层递阶近似推理方法的基础上，着重分析了三种情形，包括超幂集空间中存在冲突焦元情形、存在不确定焦元情形以及混合焦元的情形，提出了相应的解耦办法，成功将其向仅单子焦元情形进行转化，实现了分层递阶快速推理。　　 然后，研究了图像目标的特征提取方法。特征的有效提取是目标识别关键的一步，本文着重分析了矩特征量和轮廓特征量的特性和快速提取方法，其中，矩特征量包括Hu矩、归一化转动惯量(NormalizedMomentofInertia，NMI)和仿射不变矩，而轮廓特征量包括轮廓离散化参数和奇异值分解。仿真实验表明这些特征对平移、旋转和尺寸变化具有良好的不变性。　　 接着，针对飞机图像目标识别具有不精确、不确定、不完全等特点导致识别率不高的问题，提出了一种基于DSmT分层递阶快速近似推理的飞机图像目标多特征融合识别算法。本文方法具有两个明显的特点:一是多个特征的提取获得了足够多的有用互补信息弥补了仅单一特征信息量不足或容易失效的缺陷;二是根据PNN(ProbabilisticNeuralNetworks)网络的初识别结果和类似统计学中极大似然思想的规则，构造目标识别率矩阵对基本信度进行赋值，为信度赋值构造困难的问题提供了新的思路。　　 最后，通过仿真实验，从识别率、实时性、鲁棒性和目标识别的极限尺寸几个方面，对本文方法进行了全方位的分析，实验结果证明本文方法的有效性。而且，在VisualStudio2008开发工具平台上用C++搭建了一个演示平台，对F22红外飞机飞行视频进行了演示，获得了良好的结果。