超声3D目标识别是物体内部缺陷识别与量化以及评估的重要手段和依据，在无损检测与评估中有着广泛的应用前景。超声3D目标识别的主要方法有一维回波信号特征选择与提取和合成孔径超声成像。　　 一维回波信号特征选择与提取是利用物体内部不连续体超声反射回波信号中包含的缺陷信息来实现识别。获取目标特征信息的方法主要有超声A、B、C扫描，这三种方法获取的信息量都较少，无法满足定性与评估的需要。而合成孔径超声成像虽然能够多波段、多视向地对目标进行探测，获取的信息量较多，但是由于算法存在不足，致使对目标形状的分辨率较低。目前，超声3D目标识别大多是采用单一的识别手段实现，虽然取得了一些成果，但是信息量偏少，存在识别率低、鲁棒性差等不足。　　 针对单一方法识别率低、鲁棒性差等问题，为了提高超声3D目标识别的识别率，本文提出了将一维回波信号特征选择与提取及合成孔径超声成像两种方法进行数据融合，相互弥补各自的不足，实现超声3D目标识别。　　 论文的主要研究工作如下:　　 (1)在检索并阅读了与超声3D目标识别相关文献的基础上，分析每种方法的特点，确定采用将一维回波信号特征选择与提取和合成孔径超声成像进行数据融合的算法，实现超声3D目标识别。　　 (2)一维回波信号特征选择与提取和合成孔径超声成像均是基于合成孔径传感器阵列排列的方法对三类人工缺陷进行超声回波信号的采集。前者是通过分析一维回波信号的特点，对每个回波信号进行时域、频域和变换域的特征选择与提取，并采用Fisher线性判别分析和BP神经网络实现分类判别;后者则是基于合成孔径成像的原理，对回波信号进行时延、叠加等处理，采用距离多普勒算法实现目标的成像，并从所成图像中选择与提取多个能有效表征图像形状的特征参数，最后通过BP神经网络实现分类判别。由实验结果分析可以看出，这两种方法的识别率均不高。　　 (3)为了提高超声3D目标识别的识别率，提出基于数据融合实现超声3D目标识别的方法。本文中数据融合主要是特征层融合，分别采用串行融合算法和并行融合算法对上述两类特征参数进行融合，利用融合后的特征向量，采用BP神经网络实现分类判别，并与融合前两类特征向量各自分类判别的效果进行了比较。实验结果证明，该方法有效地提高了超声3D目标识别的识别率，验证了方案的可行性。