本文主要研究用模糊神经网络进行空间点目标识别。首先，介绍了模糊神经网络的研究进展及其逼近函数的能力，研究了空间点目标的辐射特性，提出用空间点目标在三个不同波段的辐射通量作为目标识别的特征向量。然后，研究了进行空间点目标识别的自适应神经模糊推理系统(ANFIS)，进化模糊神经网络(EFuNN)，动态进化神经模糊推理系统（DENFIS）三种方法，并进行了仿真实验。　　目前常用的BP神经网络、遗传算法和神经-遗传算法都能够解决简单的无噪声识别问题，然而对于有噪声识别问题无论从速度还是识别率都有待提高。因此，本文研究了ANFIS方法。ANFIS将BP神经网络和Takagi-Sugeno模糊推理系统相融合，运用模糊变量和模糊推理，加强了模糊系统的泛化能力，在学习过程中形成模糊规则。该算法显著提高了对目标的识别率。但是其网络收敛速度仍然慢，而且模糊规则的数目固定，须由专家预先设定或大量实验验证，不易控制。　　为此，引入了EFuNN方法，它是一种可在线学习的模糊神经网络，有监督和无监督学习相结合，模糊规则随着目标特征样本的出现而增加或剔除。采用进化模糊神经网络进行目标识别，其识别率有明显提高，网络速度较ANFIS快。但是，目标的错误识别数目偏高，系统稳定性也有待提高。　　随后，着重研究了DENFIS方法。由于DENFIS采用增强学习，混合学习策略以及一阶Takagi-Sugeno模糊规则。在模型系统中，运用了ECM在线聚类算法，可以预先进行目标的模糊聚类。所以，DENFIS对有噪声识别问题目标识别率高，能够达到识别要求。并且DENFIS速度快，系统稳定，错误识别率低，较ANFIS和EFuNN系统都有明显改善。　　最后，针对空间点目标的辐射特性进行了仿真实验。实验结果表明，ANFIS、EFuNN和DENFIS能够较好的进行空间点目标的识别，具有较好的学习能力和泛化能力。尤其是DENFIS在系统稳定性、识别率和网络收敛速度上均较BP神经网络、遗传算法和神经-遗传算法有较大提高，具有一定的实用价值。