作为一种短距离无线通信技术,超宽带技术在传输效率,功耗和成本等方面和其他几种短距离无线通信技术相比有着明显的优势。因此,它成为了学术界和工业界的关注重点。由于它的低功耗,高多径分辨率和强穿透力,使得超宽带技术在人员分辨,物体识别和障碍物检测领域,例如灾难救援,安防检测,战场侦察等方面都有着广阔的应用价值。本文利用超宽带技术在环境感知能力方面的优势,利用超宽带信号在通信的同时也能够完成目标识别的特点,在室外环境中建立不同的测试场景来进行目标识别测试。在每个场景中,分别含有放置在同一位置的不同种类的待识别目标物体,以及放置在不同位置同一种待识别物体,在每个场景下进行超宽带信号的发送和接收。由于通信环境的不同,接收到的超宽带信号也就会随着信道中待识别物体的不同而出现相应的差异。在获得足够多的采样数据之后,对接收到的超宽带信号进行Gabor变换,提取出接收信号的Gabor系数,将这些Gabor系数作为表征信道特征的参数,并将其和神经网络相结合,用Gabor系数作为神经网络的输入向量,目标的分类结果作为神经网络的输出,让神经网络利用训练样本完成学习之后,借助神经网络的学习能力和分类能力,来对测试样本进行目标分类,以实现对目标物体进行辨别和定位的目的。更进一步,为了研究在低信噪比条件下Gabor原子网络的目标识别性能,本文搭建了一个室内传输环境的理论模型,在利用该模型获得仿真信号的基础上,在接收信号中加入了不同强度的高斯白噪声,形成低信噪比的信号输入源,为了实现在低信噪比条件下的目标识别,本文对Gabor神经网络识别方法进行了改进和优化,即在Gabor变换和神经网络之间加入去噪环节,使用Gabor阈值去噪算法,把含噪信号中的噪声分量滤除,然后再将其输入至神经网络进行目标识别,最终的仿真结果表明改进的基于超宽带的Gabor神经网络识别正确率仍能达到90%以上,即改进的Gabor神经网络实现了在低信噪比条件下的目标识别。