چکیده: اطلاعات مربوط به حرکت هواپیما معمولا‌ با رادار یا سنسورهای الکترونیکی جمع آوری می شوند، اما ممکن است این اطلاعات بعلت عدم وجود میدان دید غیرسودمند باشند. تشخیص و شناسایی هدف توسط سیگنال های صوتی در بعضی موارد به علت موقعیت جغرافیایی، مقرون به صرفه بودن، استفاده در مسافت های نزدیک، مقاومت در برابر نویز حائز اهمیت می باشد. به همین خاطر روشی برای شناسایی هدف که کمتر توسط شرایط مسیر دید مختل می شود، مورد استفاده قرار می گیرد. این روش استفاده از صدای موتور هواپیما می باشد که در این پایان نامه مورد تحلیل قرار گرفته است. سیگنال های صوتی دریافتی از میکروفون به عنوان ورودی این الگوریتم در نظر گرفته می شود و به منظور استخراج ویژگی از انرژی تبدیل موجک، ضرایب کپستروم فرکانس مل(MFCC)، ضرایب کپستروم حقیقی، ضرایب پیشگوی خطی (LPC) و فرکانس طیفی خط(LSF) استفاده شده است. سپس طبقه بندی سیگنال های صوتی هواپیما برای چهار کلاس مختلف از داده های صوتی توسط طبقه بند شبکه عصبی مصنوعی انجام می گیرد. پس از آن برای ارزیابی عملکرد سیستم تشخیص، نویز با نسبت سیگنال به نویز های مختلف به سیگنال اضافه شده و نتایج حاصل از آن را با یکدیگر مقایسه شده است. در نهایت روشی برای بهبود عملکرد سیستم معرفی شده که از تبدیل موجک برای حذف نویز و از ترکیب LSF و ضرایب کپستروم حقیقی به عنوان روش استخراج ویژگی استفاده می کند و نرخ طبقه-بندی داده را به 93/11 % و میزان خطا را به 0/0451 می-رساند.