随着数据融合技术的快速发展,不确定性信息的处理成为一个引人注目的研究热点。证据推理理论作为一种有效处理不确定性信息的推理方法,在数据融合中得到了广泛应用。本文对证据推理进行深入研究,并将证据推理和神经网络技术相结合以解决目标识别问题。本文的主要内容及研究成果如下：(1)介绍了多传感器数据融合的基本原理,融合过程,结构模型,着重讨论了多传感器数据融合属性级融合的三种结构,对多传感器数据融合的方法进行归纳总结。(2)介绍了证据推理的基本理论及最新进展,提出了证据推理在应用中存在的问题。针对证据推理无法解决证据严重冲突的情况,许多学者提出了各种改进方法,本文对典型算法(如Yager的方法等)进行归类分析。该分类方法可以有效的区分出证据组合方法的一些基本共性和区别,为进一步研究证据推理提供了依据和方向。(3)探讨了神经网络和数据融合技术相结合的可行性,给出了基于神经网络的数据融合过程,着重介绍了BP算法。(4)采用最近邻法对使用修正前的不变矩与修正后的不变矩的目标识别进行了仿真分析。(5)针对多传感器数据融合中基本概率赋值难以获取的问题,提出了构造基本置信指派函数的两种方法,比较结果显示利用神经网络技术获取基本概率赋值的方法,克服了现有的依赖专家经验获取基本概率赋值主观性强的缺点,研究了证据推理组合来自同一目标的多幅图像以提高置信度的方法,并比较了组合规则不同情况下的识别效果,仿真结果证明了该方法的可行性。本文所做的工作,对于发展多传感器数据融合理论是一个大胆、有益的尝试,对数据融合、神经网络、目标识别等领域有一定的贡献。该研究具有重要的理论意义和工程应用价值。