本项目针对多传感器目标识别技术进行深入研究，把SVM集成引入多传感器目标识别，采用SVM集成与D-S证据理论有效结合的方法，以提高多传感器融合目标识别的性能。项目从基于SVM集成和D-S证据理论的多传感器目标识别方法、结合特征选择和样本选择的SVM集成学习方法研究两个方面，针对基于SVM集成和D-S证据理论的多传感器融合目标识别结构模型、基于SVM集成与D-S证据理论有效结合的融合算法、结合特征选择和样本选择的SVM集成成员个体生成方法、基于局部性能估计的SVM动态选择性集成方法等问题进行研究。其中关键问题的解决为提高多传感器融合目标识别性能、促进多传感器目标识别技术的研究和系统的实现提供新思路，具有重要的理论意义和重大的实际应用价值。

项目研究内容分为以下两个方面：1）基于SVM集成和D‐S 证据理论的多传感器目标识别方法研究。主要包括：基于SVM 集成和D‐S 证据理论的多传感器融合目标识别结构模型研究；基于SVM 集成与D‐S证据理论有效结合的融合算法研究。2）结合特征选择和样本选择的SVM 集成学习方法研究。主要包括：结合特征选择和样本选择的SVM 集成成员个体生成方法；基于局部性能估计的SVM 动态选择性集成方法研究。通过研究，对关键问题提出了新的解决方法，取得了预期研究成果。