本文结合中科院知识创新工程重大项目，针对智能传感器侦察网络中的地面目标识别问题展开研究工作。研究对象主要是利用被动式声(阵列)传感器实现战场环境下的地面目标识别。围绕信号的特征提取与选择、分类器设计、多目标识别这三个内容进行了深入研究，主要研究内容和成果如下： 对地面目标声信号识别中的特征提取和选择算法进行了全面、深入、系统的讨论。首先从地面目标声信号的物理产生机理入手，结合实测信号的时频分析，定性分析了地面目标声信号的分类特征；接着对目前应用于地面目标声信号识别中的特征提取算法进行了归纳和总结；重点研究了基于小波包分析的特征提取方法。在基于小波包能量特征提取算法的基础上，讨论了其分解层数、分解形式对特征维数和特征分类性能的影响，并基于类别可分离性判据对小波包分析中的相关参数进行了优化，得到了一种以信号各子带能量分布为特征的最优特征提取方法。 提出了一种新的基于计算智能方法的地面目标声信号识别算法。针对地面目标声信号不确定性对系统识别性能的影响，首次将智能计算方法引入到地面声目标识别的研究中。将地面目标声信号的产生视为一个动态过程，利用其信号特征在一定时间内的变化范围作为分类特征；然后基于粗神经网络设计分类器，使得分类器的输入不仅可以是单值数据，而且可以是一个输入范围，具备了处理定性或混合性输入信息的能力。通过相关实验结果证明，比较于现有的分类算法，基于智能计算方法的分类器明显的提高了系统的正确识别率和稳定性。 首次将单类分类算法引入到地面目标声信号识别的研究中，并提出了两种新的单类分类算法，以解决现有识别算法存在的系统误识别率高、学习样本数目不均衡情况下性能恶化的难题。首先对基于支持向量描述的单类分类算法进行推广，针对该方法难以有效处理大样本数据的问题，提出了一种新的二步训练方法，使其能够应用于大样本学习的情况，更能满足实用系统要求；然后，基于仿生模式识别思想，提出了一种新的基于主曲线分析的单类分类算法，实验结果表明，该算法在低训练样本数量的情况下能够获得比现有单类分类算法