在探测获取大体的信息后，传统的信息处理技术在完成目标自动识别时，大都是利用统计模式识别方法。假设一个视觉系统要从一个背景中识别一辆坦克，必须首先利用图像预处理，然后再利用边缘抽取、目标分割等算法把目标从周围的背景中分割出来，最后经特征抽取、统计决策等相当复杂的分析判决来判断分割出的区域是不是坦克。在算法设计、编程以及系统识别等方面必须经过严格的训练、学习。这种方法在目标旋转、遮挡、重叠、姿态发生变化，周围背景杂波复杂多变时，系统就无法正确地识别变化大的和未经训练的目标，必须对系统重新进行训练学习以适应新的要求。

鉴于传统的目标识别方法在识别复杂多变战场环境中的多种军事目标时存在许多无法逾越的障碍，人们先后在信息处理系统中引入逻辑推理与人工智能研究成果，并试图将两者有机地结合起来。

基于逻辑推理的智能识别目标首先对被识别的目标及其周围所关联的物体运用图像分析技术、图像识别技术或人工智能技术，获得待识别目标及其周围可能的景物的符号性表达（如待识别目标的各种抽象特征、与周围景物的几何和物理约束关系及其他关联信息等），即知识性事实后，运用人工智能方法，确定图像分析与处理前端分割出的感兴趣区域的类别，属于符号处理系统，它模拟人脑抽象思维处理来提高目标识别性能。

人工智能神经网络是试图模仿生物神经网络的工作机理而发展起来的一种新型的信息处理系统，它是由大量的类似于神经元的信息处理单元广泛地互联成复杂的网络系统，具有下述3个主要特点：

（1）平行性。网络中每个单元都是一个独立的信息处理单元，它们的计算均可独立进行，而整个网络系统是平行计算的。(www.daowen.com)

（2）信息存储是分布式的，局部受损或丟失部分信息不影响全局，具有处理模糊的、随机的、不确定信息的能力，且因信息的存储与计算合为一体，以互联方式存储信息，具有从不完整的信息中联想出全部信息的能力。

（3）具有自适应、自组织、自学习能力。人工神经网络实际上是一种大规模的并行分布式处理系统，以大量非线性处理单元模拟人脑神经元，用各处理单元之间错综复杂而又灵活多变的互联，来模拟人脑神经元之间的密切联系。在神经网络中，每个神经元都有很多输入、输出键，各神经元之间靠键相连，而键则决定了各神经元之间的连接强度，即相互作用的强弱程度，决定着网络的性能。人们可以根据应用环境的变化，对网络进行学习、训练，使网络不仅可以处理各种变化的信息，获得人们所期望的特定功能，而且使网络在处理信息的同时，不断改变参数与结构，这就是自适应、自组织、自学习过程。

由于神经网络具有突出的优点，因此模式识别与分类、信号识别、计算机视觉就成为当前神经网络应用的主要领域。美国休斯公司、霍尼维尔公司、约翰斯·霍普金斯大学等开发了神经网络目标识别系统。试验表明：在目标无遮挡时，神经网络方法比传统的目标识别方法的识别率高出20％；在有遮挡时，即在有障碍的战场情况下，神经网络的识别率还要高得多。

神经网络目标识别系统，将“智能”置于系统的结构和适应规则中，它的优点不是针对一个问题或一种应用，而是整个问题，它不要求数字化的数据，可将传感器传来的信息以相应的形式直接传送到神经网络，系统则能通过例子训练学习，从而识别在各种背景下的坦克和其他车辆。识别的前提是高质量的探测，识别技术的发展又推动探测技术的发展。