叶簇环境下的目标识别无论对于民用还是军用来说都是一个很有意义的研究课题。但是由于叶簇环境的特殊性,树木林立、枝叶繁茂,会对视线造成严重遮挡,同时环境噪声、多径衰落也会对信号带来很大干扰,这就使得传统的模式识别技术如图像识别、红外识别等在该环境下难以满足要求。由于超宽带(Ultra-Wideband, UWB)技术有高抗干扰性、抗多径效应以及很强的穿透能力方面的优势,非常适合于叶簇环境下的目标识别问题研究。本文利用超宽带,在超宽带信号完成通信的同时也能够达到目标识别的目的。相对相关研究中利用超宽带进行有人/无人、木箱/铁箱/人的分类识别,本文研究主要针对目标数量的识别,即检测环境中作为目标的人的数量。本文通过在实际叶簇环境下搭建测试场景采集数据来完成目标识别的测试。每个场景中会分别有不同数量的目标人,而目标数量相同的场景又会进行多次数据采集,要求每次采集数据时目标的位置不同,以达到目标位置随机性的要求,场景数据采集过程需要一对超宽带设备完成信号的发送和接收。本文针对基于超宽带传感器网络的叶簇覆盖环境目标数量识别,主要对两部分进行了研究仿真：特征提取算法研究以及针对智能优化目标识别算法研究。考虑到小波变换的特性以及超宽带脉冲信号特征,将小波变换作为特征参数提取方法是一个不错的选择,然而小波变换得到的系数特征参数由于维度较高且含有的冗余信息会对识别效果造成不良影响,因而引入核主成分分析方法作为降维手段,与传统PCA相比,KPCA通过引入核算法能够很好的处理非线性数据,在降低数据维度加快模型训练过程的同时,可以去除冗余信息降低数据维度风险并能提高目标识别率。针对小波变换过程小波基、小波分解层数、降维压缩算法以及降维压缩维度的选取问题进行了讨论并通过仿真实验确定了选取方案。收敛效率和全局最优作为优化问题的两个关键问题,通常的算法并不能在这两方面同时都能很好的满足要求,鉴于此,本文在研究粒子群算法以及蚁群算法基础上,对粒子群算法的惯性权值以及加权因子更新做了改进,并引入蚁群算法,提出了蚁群-粒子群(ACO-PSO)联合优化算法对支持向量机参数进行优化选择,使得算法在加快收敛的同时能够获得全局最优解,并通过仿真实验对算法性能进行了比较、验证。最后提出一种投票策略,使目标识别率得到进一步提高。