本文以反坦克、反直升机智能雷为背景,研究了基于数学形态学的战场声目标识别方法,根据数学形态学分形维数在信号特征中表现的特征单一、区分度不高等问题,提出了三种改进的声信号特征提取方法,有效的提取了战场声目标的非线性特征。最后运用形态学神经网络对战场声目标进行了识别。将VMD算法与数学形态学分形维数相结合,提取直升机声与坦克声信号的非线性特征。首先根据信号能量集中频段决定了VMD分解的分量个数,再运用数学形态学方法计算了各个分量的容量维数与信息维数,作为信号的特征量。该方法相较于常用的EMD与盒维数的方法提取的特征具有更高区分度。为了提取更多的非线性特征,将多重分形维数运用于战场声目标识别。提出了基于双维度变化的形态学多重分形战场声目标识别方法。该方法定义了基于双维度变化的配分函数(Double Dimensions Changed Distributed Function,DDCDF),以运算速度与识别率为标准,筛选出最优尺度组合,并计算多重分形维数。将多重分形维数作为特征输入,使用支持向量机进行声目标识别,识别结果显示了本文算法所提取的多重分形维数特征较原算法具有更好的区分度,其识别率比现有算法提升了23.5%,为战场声目标的非线性特征快速识别提供了一种有效的技术手段。由于多重分形维数提取的非线性特征仍然有限,提出了基于SVD与数学形态学分形维数谱的特征提取方法(singular value decomposition and mathematical morphological fractal dimensions spectrum,SVD-MMFDS)。该方法首先利用采集到的声信号构造Hankel矩阵,再运用SVD分解方法对矩阵进行分解,接着利用奇异值与频率分量的关系重构信号分量。首先计算第一个频率分量的分形维数,再叠加第二个频率分量,计算叠加信号的分形维数,每叠加一次,就计算一次分形维数,直到形成完整的原信号,最后得到一个反映信号非线性的分形维数谱,即SVD-MMFDS。将该方法与EMD-盒计数法相比较,SVD-MMFDS提取的非线性特征具有更好区分度,同时也成功解决了分形维数不能充分反映信号非线性的问题。将形态学神经网络(Constructive Morphology Neural Network,CMNN)及模糊形态学神经网络(Fuzzy Lattice Constructive Morphology Neural Network,FL-CMNN)运用于战场声目标的识别。根据Sussner P的构造性神经网络模型,提出了一种基于单维盒的训练方法,以第三章提取的多重分形维数与第四章提取的SVD-MMFDS作为特征输入,与其他分类器如SVM、BP神经网络在训练效率、测试效率与分类精度上进行了对比,CMNN与FL-CMNN均表现出优良的性能。