本论文首先介绍了信息融合的一般理论以及与应用信息融合进行空间目标识别的各个阶段有关的常用的信息融合方法。在此基础上，重点对抽象程度较高的特征级融合和决策级融合的方法进行了研究。　　对于特征级融合阶段，先对目前普遍应用的神经网络方法进行了比较详细的介绍。由于神经网络对于各种非线性映射具有强大的逼近能力，具有自组织、自学习的能力等优点，所以它在模式识别等很多领域内都引起了广泛的应用。但是，神经网络也有收敛速度慢等一些局限性，尤其是当它用于信息融合领域中的特征级融合阶段进行目标识别时，由于训练的样本数量比较大，使得收敛速度这一问题变得更加突出。另外，当目标数据的信噪比减小时，网络的识别结果也变得不太理想。为了提高网络的性能，在人的视神经的启发下，提出了神经网络组方法，并把它应用到了特征级融合的目标识别中。通过仿真试验可以看出，和用单一的神经网络相比，利用神经网络组方法缩短了网络的训练时间，提高了对目标的识别率，并且增强了对目标识别的稳定性。但是，和用单一的神经网络相比，利用神经网络组方法也有一些缺点，如：增加了系统的硬件开销和复杂性等。　　在决策级融合阶段，先对D-S证据推理的基本理论进行了较为详尽的介绍。证据推理处理不确定问题具有强大的优势，但是，由于它不能处理矛盾证据，这在很大程度上限制了它在实际中的应用。为了处理矛盾证据，以便使D-S方法能够真正的应用到实际中去，本论文对D-S证据推理的算法进行了改进。改进后的D-S证据推理算法可以有效的处理矛盾证据，取得比较理想、比较合理的融合结果。通过仿真试验，对改进的D-S算法进行了验证。从而为D-S方法在实际中取得应用打下了比较良好的基础。