随着计算机技术、通信技术和微电子技术的发展，以及现代战争的复杂性日益提高，各种面向复杂应用背景的多源信息大量出现，迫使人们要对多种传感器和不同的信息源进行更有效的集成，以提高信息处理的自动化程度，因此，从20世纪70年代起多传感器信息融合迅速发展起来。多传感器信息融合系统将各种传感器在时间和空间上的冗余与互补信息依据某种优化准则进行组合，得出更多的有价值、有意义的新信息，这种新信息是任何单一传感器所无法获得的。基于信息融合的目标识别是该领域的一个重要组成部分，已经成为国内外研究的热点。　　 目标识别的过程主要分为三个阶段:数据预处理、特征提取、身份识别。根据融合的阶段不同，多传感器信息融合的目标识别分为如下三种:决策级融合、特征级融合和数据级融合。决策层融合是最高层次的融合，其优点是对信息传输带宽的要求比较低、通信容量小、抗干扰能力比较强、融合中心处理代价低，与其他两个层次相比，决策层融合具有更多的优势。因而，目前目标识别融合所取得的成果大多都是在决策层上。　　 D-S证据理论是多传感器信息融合中最常用的一种处理不确定问题的融合算法，在目标识别领域具有广阔的发展前景。本论文首先对该理论的基本概念、组合规则以及决策准则进行了深入的研究，在此基础之上，通过实验仿真验证了该理论可以提高目标的基本概率赋值，降低目标的不确定性，提高目标识别的正确率，增强系统的可靠性。　　 一般情况下，D-S证据理论可以得到合理的融合结果，但是在“证据严重冲突”的情况下，却得出有悖常理的结论以及存在“一票否决问题”，直接影响了该理论的进一步广泛使用。由于对现有文献中对“证据严重冲突”的描述存在质疑，因此本论文首先通过实验仿真结果，给出了合理、明确的“证据严重冲突”的定义;然后从修改组合规则和修改证据模型两个角度出发，对D-S证据理论存在的问题提出自己的改进算法。　　 在修改组合规则方面，本论文认为冲突信息是由局部焦元引起的，因此以冲突焦元在局部冲突组合证据中所占的实际比值为权重，将冲突在产生冲突焦元中分解;在修改证据模型方面，本论文首先通过距离函数得出各个证据的权重，然后得出加权平均证据，利用该加权平均证据代替有问题的传感器输出的证据，最后利用D-S组合规则进行融合。　　 基于上述提出的改进思想，本论文对现有算法以及改进算法进行了实验仿真，仿真结果表明本论文提出的改进算法优于现有的改进算法，不仅能够解决D-S证据理论存在的2个问题，而且能够取得更理想的合成结果、提高目标识别的正确率。