本文以信息融合目标识别技术为研究背景,针对不同的传感器受工作条件所限,相同目标的单传感器的特征信息有较大的不确定性以及单一传感器识别性能较低等问题,探索了多信息源条件下获取有用信息和提取知识的有效方法和实现技术,研究并讨论了如何有效的使用多源信息来提高目标的识别率,引入了粗集理论以及粗集和神经网络相结合技术,着重讨论了信息融合中信息的提取,知识表达,属性约简、规则模型建立、增量学习、以及基于BP 和RBF 网络的粗神经网络系统等研究内容。围绕这些问题,本文开展了以下工作: 研究了基于粗集理论的知识简化和知识表达系统,包括粗集的基本概念、属性约简,规则生成与简化,其中重点研究了当前各种属性约简算法,考虑到图象处理的实时性,论文提出了一种快速属性约简算法,以克服算法时间复杂度较大的缺点。针对多传感器融合中遇到的问题以及现有技术的不足,提出利用粗集理论来建立数据融合目标识别规则模型,在无对象模型和先验知识的情况下,根据现有数据本身来构建融合对象的规则模型,建立了目标识别的规则知识库,并引入规则可信度和规则支持度的概念对规则的分类能力进行评估。针对图象处理目标识别过程中,实时性要求较高,图象数据也较大,我们提出在利用粗集理论建立图象目标识别规则模型的过程中引入增量学习,加速了算法处理过程,提高了运算效率。针对粗集理论和神经网络各自的特点,研究了粗集和神经网络的关系,提出将神经网络学习机制引入到粗集系统;同时通过粗集的条件和决策属性构造神经网络结构,研究了基于BP 网络的粗神经网络算法,并针对BP 网络的缺点和局限,研究了基于RBF 网络的粗集神经网络算法。通过粗集与神经网络的糅合,很好的利用了各自的优势,也弥补了各自的不足,提高了算法运行效率,较好的提高了识别率,减少了虚警率。