任何事物都可以由其所具有的特定属性来表示并同其它事物予以区分,对观察对象的身份识别也演变为对对象的各种属性的识别,或基于各种属性识别的综合识别,即目标识别(Target Recognition)。粗糙集理论是海量数据挖掘的理论工具,可以有效运用于目标识别,尤其是多属性目标识别。本文将粗糙集理论引入多属性目标识别的研究,试图改善目标识别系统的目标识别准确性以提高系统性能。本论文以粗糙集理论知识为核心并结合属性数学的知识,建立了一种新的协作式多属性目标识别模型,并对其进行了理论上的性能分析。主要内容为: 1 .本文将每个目标都视为一个由四元组构成的信息系统记为IS = {U , A, V , f},该信息系统包含了目标的对象集合U : U = { x1 , x2 ,..., xn},属性集合C : C = {a | a∈C}属性值域V : V =∪V j,(1≤j≤m)以及属性和属性值的关联函数f : f = { f j | f j : U→V j,(1≤j≤m)}。这种描述方式比以往简单的1比特是或否的描述方式更为详尽的体现了目标的属性特征,为目标识别提供了充分的数据来源。2.本文的目标识别思想包括:根据每次特定任务的不同需求,我们使用粗糙集理论知识约简目标的属性与属性值。并提出以删减属性后目标分类数减少的个数来衡量属性的重要度。根据属性重要度的不同对属性赋加权值,以加权和值最小代价准则为目标识别的判断依据。3.在信噪比为5dB的AWGN信道背景中进行仿真中,本文给出的三种算法识别错误概率都远远低于直接传输的识别概率,以此证明本文建立的识别模型在性能上是有所提高。此外本文还通过仿真讨论了目标数和信噪比对于各算法性能的影响。本文算法使用的数据完全是随机生成的,暴露了本文算法稳健性不足的问题,提出了进一步改善算法性能的期望。提出了增加已识别目标之间交换识别结果的想法,希望能进一步提高识别的效率。