雷达目标识别具有巨大的军事应用价值，通过身份融合技术能提高雷达目标识别的性能，本文主要研究数据层和决策层融合雷达目标识别。 在数据层，首先探索了对多个配置在同一地方的不同频带雷达测得的目标频率响应进行融合，以获取更宽频带目标频率响应的方法。各雷达互不相干是制约融合处理的主要难点，本文详细分析了其产生原因，并推演了各雷达信号之间的具体数学关系，提出了一种相干补偿的方法，仿真实验结果表明该方法是有效的。然后研究了利用由目标宽带频率响应得到的一维距离像和一维散射中心进行目标识别的方法。提出了基于目标一维平均距离像归一化中心矩的目标识别方法和一种新的基于目标一维散射中心匹配的目标识别方法。用这两种方法对五类目标缩比模型的外场测量数据进行实验均得到较好的识别结果。 在决策层，研究了决策层融合目标识别的模糊方法和神经网络方法。为减小目标决策分布图散布对融合识别效果的影响，提出了基于K近邻决策分布图的决策层融合目标识别算法。介绍了各种模糊积分的定义及其用于决策层融合目标识别时的直观含义，对应用模糊积分进行决策层融合的核心问题—模糊密度赋值，本文提出了一种利用训练样本先验静态信息结合各传感器判决包含的动态信息对模糊密度进行自适应赋值的方法。将各传感器输出的识别结果连接起来作为目标的一个联合特征矢量，则决策层融合目标识别可看作是一个常规的模式识别问题，本文采用多层感知器网络对这个联合特征矢量进行分类，实现决策层融合目标识别。本文还提出了一种新的神经网络算法用于决策层融合目标识别，该网络结构新颖，网络训练时修改的是门限而不是连接权值。仿真实验结果表明了这些方法的有效性。