自动目标识别(AutomaticTargetRecognition，简称ATR)是一项新兴的学科。经过三十多年广泛而深入的研究，ATR领域已经采用了图像处理(IP)、图像分析(IA)、模式识别(PR)以及人工智能(AI)等多学科技术，各种面向复杂应用背景的ATR系统也不断涌现。到目前为止，基于这些方法与技术的自动目标识别的努力，取得了大量研究成果， 本文综述了神经网络自动目标识别技术的发展现状，深入研究了基于神经网络的自动目标识别及其相关技术。在汽车目标识别中，神经网络识别法得到了有效的应用，神经网络的并行处理机制可以大大的提高系统的识别速度，并且神经网络所具有的容错性可以大大提高系统的识别率。 对于每种汽车的各种情况，提取7个不变矩特征、1个圆度特征、1个分形维特征、3个马氏距离、1个长宽比特征，1个纹理特征，共14个特征数据作为神经网络的数据源。采用了典型的单层感知机、BP神经网络、径向基神经网络对汽车目标进行识别，并对识别结果进行比较分析。 由于不同的神经网络分类器在目标识别性能上具有互补性，单以分类器很难达到令人满意的效果，通过对多分类器的分类识别结果进行融合能有效地提高对目标的分类识别效果。因此，本文分别采用七种融合算法，将以上三种网络的识别结果进行融合，对汽车目标进行识别，并根据识别结果对各种识别方法进行比较，经过融合后的识别率均高于采用单一神经网络方法的识别率，实验结果显示该方法能显著提高识别性能，表明了多分类器融合的有效性。