多传感器信息融合的目标识别技术普遍应用于军事、计算机视觉、遥感图像等领域，具有广泛的理论研究和实际应用的意义。基于特征级融合的目标识别技术能够在各种复杂、不确定性的情况下，融合多种传感器提供的特征信息，缩减数据量带宽，提高识别的精度和效率，因此这是一个很有应用前景的研究课题。目前信息融合技术已取得了非常显著的成果并达到了广泛应用，但是针对特征级融合的目标识别技术，目前国内研究较少，许多问题需要解决，迫切需要开展广泛深入的基础理论和技术研究。本文在总结、借鉴前人的一些理论及研究成果的基础上，对特征级融合的目标识别方法进行了深入、系统的研究。本文主要研究了以下几方面内容：（1）分析了特征级融合目标识别的研究内容、关键问题，构建了特征级融合目标识别系统的结构及模型。（2）针对红外传感器和可见光传感器的成像特点，研究了灰度共生矩阵、Hu不变矩、仿射不变矩以及小波矩四种特征提取方法。在此基础上推导出了仿射不变矩和小波矩的另外3个高阶矩，以提取目标的细节信息，使其在离散状态下仍然具有旋转、平移、尺度不变性。（3）针对传统的串联和并联特征融合方法中目标融合特征信息量大，冗余信息丰富的问题，研究了基于遗传算法的特征融合方法。通过遗传算法中适应度函数、遗传算子、终止条件的设计，降低了目标特征维数，使融合后的目标特征具有旋转不变性、尺度不变性、鲁棒性、类间可分性和类内稳定性的特点。（4）针对传统神经网络易陷入局部空间最优解问题，提出并研究了运用粒子群算法优化RBF神经网络的参数，使用融合特征识别目标。实验结果表明：粒子群优化的RBF神经网络改善了传统神经网络在目标识别的精确性和效率，验证了本文算法的有效性。