现代战争中,空中目标识别是防空作战指挥快速、正确决策的关键环节之一。空中目标识别的成败直接影响到防空火力的部署、分配及有效打击,进而会左右整个战场态势。因此,目标识别技术的发展对于提高整个防空系统的效能具有重要意义。本文基于多传感器信息融合技术,研究了空中目标识别方法及其应用。首先介绍了多传感器信息融合相关理论,分析了现有的证据组合方法,并指出其不足,然后在对不同证据焦元之间的冲突程度研究的基础上,将一种基于相互可信度的冲突证据组合方法用于空中目标识别。仿真结果表明:所采用的新方法合成效果好,合成结果更为理想。针对多传感器信息融合中基本概率赋值难以获取的问题,给出了一种利用神经网络技术获取基本概率赋值的方法,并在此基础上提出了一种将证据理论与神经网络相结合的目标识别融合方法。重点研究了支持向量机(SVM)在多传感器空中目标识别中的应用。SVM是在统计学习理论的基础上发展起来的新一代学习算法,基于结构风险最小化准则(SRM准则),采用经验风险和置信范围两项同时作为最小化的风险泛函。通过对几种多类分类支持向量机的比较,将DAGSVM应用于目标识别。仿真研究了神经网络、神经网络与证据理论结合的识别算法、DAGSVM三种算法的性能,结果表明DAG支持向量机在任意噪声情况下,均具有最高的识别率,特别是在大的背景噪声下,识别优势更加明显,说明了支持向量机在空中目标识别中的有效性。另一方面,在DAGSVM中加入并行算法,仿真表明算法运行速度得到了有效提高。