在空中战场上,快速和准确地识别目标对整个战场的部署与决策产生了非常大的影响,也是在战争取得胜利的关键。因此,有效的目标识别技术对于防空作战至关重要。现代战场环境复杂多变,单靠一个传感器进行目标识别已经远远不能满足现代战场的需要,而利用多个传感器提取的信息进行融合,可以建立更加完整的目标识别模型,从而有利于提高目标识别率。然而,传感器由于受到自身品质和外在因素的影响,所获得信息可能是不完整或者不确定。针对不确定问题,D-S(Dempster-Shafer)证据理论可以有效解决,因此被广泛应用于目标识别领域,但在遇见高冲突信息时,直接使用D-S证据理论,可能会影响目标识别精度甚至得出与事实不相符的结论,进而导致目标错误识别。为此,本文将主要以D-S证据理论为基础,结合实际问题,对空中目标识别的相关算法展开研究,主要研究内容如下:1.提出一种基于改进证据支持度的多传感器空中目标识别方法。在进行空中目标识别时,计算各个传感器提供的证据之间的关系,继而将其转化成支持度系数,使得高支持度系数的证据在合成中起较大的作用,相应地降低冲突证据对整个目标识别系统的影响。特别是在处理高冲突证据时,本章节提出的方法能对冲突进行合理分配,以获得与实际相符合的结果,与其它方法相比,其识别结果更优。总之,该方法具有很强的优越性,一方面可以对证据间冲突问题进行有效解决;另一方面提高了识别融合精度,从而使得目标识别系统的识别能力能够得到有效地提高。2.提出一种基于Pignistic概率距离函数和Deng熵的多传感器空中目标识别方法。冲突信息会对D-S理论的融合效果产生巨大影响,为了消除冲突源,进一步提高该目标识别系统的能力,本章节提出一种多传感器下的消除冲突信息的融合方法。首先,通过引入Pignistic概率距离函数和Deng熵得到可以得出证据间冲突程度以及证据的不确定性,以获取证据修正系数。然后,对修正后的证据进行融合识别。最后,两个实验表明了该方法在处理低冲突证据时的有效性和精确性,并验证了其在应对高度冲突证据时的有效性和优越性。3.提出了一种基于修正冲突证据的多传感器空中目标识别方法,该方法充分考虑了由不同传感器提供的证据与各自可信度之间的关联。证据的可信度被转换为支持系数用于修正证据。如果该组证据间存在高冲突证据,则将支持度最小的证据用加权平均值所替代;相反,该组证据间不存在高冲突证据,则不变。对所有目标焦元做加权平均得到合成证据,然后进行融合识别。在目标识别过程中,具有高支持系数的证据起着更大的作用,目标识别的准确率也因此有很大程度的提高。所提出方法克服了传统处理证据冲突方法的缺点,大大提高系统的识别能力,尤其是对于高证据冲突的情况,该方法要优于其他现有方法。