战场目标识别的准确与及时，对后面的势态评估和威胁估计有重要的意义，也是在战争中取胜的关键。然而，现代战争空地作战一体化的特点及作战双方采取的各种电子对抗技术使战场环境日益复杂恶劣，传感器受到多种因素的影响，所获得数据是不精确，不完整，不可靠的。在这样的条件下，“正常”状态作为多传感器目标识别的求解条件就不再适合。为了提高多级武器系统的作战性能，研究复杂干扰环境下的多传感器目标识别问题具有极其重要的意义。 数据融合技术是多源信息处理的一个非常活跃的研究领域，也是未来智能武器系统的重要支撑技术。而从现有数据融合技术的研究和应用来看：理论研究较多在理想条件下，实际工作环境的研究较少；数据融合缺乏自适应性、自学习性及推理能力，系统的鲁棒性差，难以满足复杂干扰环境下识别系统的需求。为此，本文研究了复杂干扰环境下多传感器目标识别的智能数据融合技术，将模糊理论、证据理论、神经网络等智能信息处理技术应用于数据融合建模中，与其结构和算法有机结合，增强了识别系统的环境自适应性、自学习性以及鲁棒性。 本文首先根据复杂干扰环境下属性融合存在的问题，提出了一种智能属性融合的模型。该模型由三个模块来实现：环境分析、不确定信息处理和分类识别信息的融合，其中环境分析模块直接影响不确定信息处理模块和分类信息融合模块，在不同信息层次和处理过程中解决了动态多变的环境下，数据融合系统所要求的环境自适应性、稳健性以及灵活性的问题。在此智能融合模型的基础上，本文分别研究了不同类信息的智能属性融合的实现问题。 针对直接利用传感器探测数据进行目标分类识别的属性融合，根据探测数据不确定性的动态变动较大的特点，提出了一种基于一致性和模糊测度优选的数据分类融合模型。该智能融合模型从两方面进行了不确定信息的处理：通过类别概率置信度进行分类估计，修正探测数据误差引起的目标分类偏差；通过一致性测度进行传感器分组，利用模糊测度的传感器组可靠性的度量实现传感器组的优选，最终融合结果是由一致性和可靠性高的传感器组决定。这种选择融合方案将不确定信息处理与融合结构有机结合，增强了属性融合