随着无人机技术在战争中应用的快速发展,精确打击作战无人机是近年来的研究热点。对目标的准确分类识别是实现无人机精确打击任务的基础,只有对检测到目标的准确分类识别,才能进行下一步的决策,如是否要进行跟踪打击,采用何种武器进行打击等。如何实现目标的准确分类识别则是本文的研究重点。由于雷达传感器几乎是机载必备传感器,故本文主要是对雷达图像进行目标的分类以及进一步对同类别中不同型号目标变体的分类。首先对获取的MSTAR数据集进行预处理,然后对不同预处理后的图像进行多种分类算法的参数整定,综合图像分类准确率和算法运行时间,选取合适的分类算法输出结果构造基本概率分配函数,并采用改进的D-S证据理论进行决策层的融合,给出最终的分类结果。本文采用了证据修正和规则改进相结合的证据理论融合方法。针对D-S证据理论存在的不足,本文基于分类算法调参获取的先验知识对部分证据进行了修改,构造了新的基本概率分配函数,对比之前修正证据方法,本文的方法计算量更小,更适用于本文的数据。本文对比了多种证据理论组合规则的改进方法,基于前人规则改进的基础进行改进,并给出改进的融合公式,使得冲突因子k与Pignistic概率距离以变量的形式参与融合,将证据间的Pignistic概率距离改进为焦元间的Pignistic概率距离,提高了对未知的表述清晰度,保留了焦元的个性化信息,更加贴合真实的推理结果。最后,对比不同方法的仿真结果可知,融合后的分类准确率有得到切实地提高,也证明了证据修正和组合规则改进两者结合的改进方法的有效性。基于上述的实验结果,本文采用PyQt5的工具包并使用python语言设计实现了本文目标分类仿真系统。该系统将上述分类算法和多种融合算法进行了封装集成,简化了人机交互操作,通过主界面的参数更改,可以输入不同参数,实现不同的融合算法,有选择性地显示本文分类的中间结果和融合结果等数据。通过该仿真系统,能够有效且直观地观察到本文不同融合方法的结果数据,验证了本文改进方法的有效性。