随着信息技术的发展和现代战争的需要，目标识别作为信息融合技术的重要组成部分，在近年来得到了广泛关注。D-S证据理论和神经网络是两种处理不确定性信息的有效推理方法，在多传感器目标识别系统中得到了广泛应用。但D-S证据的基本概率赋值难以获取，BP网络存在训练速度慢，易陷入局部最优等缺陷。　　 本文针对以上两种方法各自在处理不确定性信息方面的不足，提出了一种遗传算法优化的BP网络(GA-BP)与D-S证据相结合的多传感器目标识别方法。一方面利用GA-BP网络获取基本概率赋值，另一方面通过D-S证据理论对神经网络的输出进行融合。将此方法应用于高压电器设备故障诊断，仿真结果表明：该方法能克服传统BP网络易陷入局部最优问题，同时具有更好的识别结果。首先，比较系统地介绍了多传感器信息融合的基本原理，讨论了多传感器目标识别级融合的三种结构，给出了多传感器信息融合的方法，为论文后面的研究工作奠定了基础。其次，介绍了证据理论的基本概念，归纳了现有几种依照经验获取基本概率赋值的方法。将D-S推理方法应用于多传感器目标识别融合，仿真实验证明了这种推理方法的有效性。再次，重点介绍了BP网络学习算法流程、算法的缺陷和几种改进算法、遗传算法流程和遗传算法优化BP网络权值的方法。仿真实例表明遗传算法优化后的BP网络能够克服传统BP网络训练过程中收敛速度慢和容易陷入局部最小的缺陷。最后，针对D-S证据和BP网络各自在处理不确定性问题方面的缺点，提出了一种将遗传算法优化后的BP网络与D-S证据理论结合的多传感器目标识别方法。仿真结果表明该方法应用于多传感器目标识别是可行的。