无线传感器网络已经成为当今的热门研究领域之一，其集成了微型传感器、无线网络、嵌入式处理三大技术。随着科技的不断发展，无线传感器网络已成功应用于军事和商业等很多领域。例如，在远程分布式监控、军事侦察、环境检测、家居自动化、火山探测、物流以及医学等领域均有着重要的科研价值和实用价值，并具有十分广阔的应用前景。 地面目标识别作为无线传感器网络的一个重要组成部分，要求网络节点具有体积小、耗能低、运算量小等优点。本文使用MEMS(Micro-Electro-MechanicalSystems)传声器和嵌入式系统组成网络节点，选择基于反向传播(BP，Back-Propagation)算法的前馈神经网络作为分类器，实现了履带车与轮式车的实时声学分类系统。 本文的主要内容是对传统BP算法进行了深入讨论和改进。虽然传统BP算法解决了多层感知器的收敛问题，但是训练时间长、收敛速度慢。另外，当训练样本非均匀分布时，若使用传统BP算法，其学习率仍然固定，且对所有训练样本是相同的。针对训练样本非均匀分布，本文提出了一种有效的加速收敛方法，即对不同的训练样本选择不同的学习率。仿真实验和实际样本测试结果均表明，与传统BP算法和自适应变学习率及惯性项的算法比较，该方法拥有较快的收敛速度、良好的泛化能力和较好的稳定性。 基于改进的BP算法，在嵌入式系统上实现了履带车与轮式车的实时声学分类系统，包括声音信号采集、预处理、特征提取、分类判决和输出四个功能模块。目前，该系统已通过实验室测试，正准备进行野外测试。下一步工作，将使用MEMS传声器替代现在的传统传声器，测试并提高该系统对不同传声器的鲁棒性。