每个肽鉴定软件的核心功能都是对肽和 MS/MS 谱的匹配质量的评估。对于数据中的每张MS/MS谱图，软件都会搜索蛋白质数据库，以找到最高肽谱匹配分数的肽。谱图与得分最高的肽之间的匹配通常称为肽-谱匹配（peptide-spectrum match，PSM）。

一系列原因可能导致肽谱匹配的错误，其中包括：

1. 低质量的谱图；
2. 肽不在数据库当中
3. 打分体系不够完善。为了控制结果质量，PSM 按其得分来排序。通过选择合适的分数阈值，可以得到满足高于阈值条件质量的PSMs（图1）。错误发现率FDR指的是错误的PSMs 和在阈值之上的PSMs总数的比率。

通过调整阈值，结果的准确度(FDR) 可以与灵敏度（鉴定到的数量）进行转化。软件不同，其评分体系的，可能具有显著不同的权衡效率，如 图 2中的FDR曲线所示。

使用方法Target-Decoy来验证搜索软件中的多轮搜索方法。
为了加快搜索速度，多轮搜索算法通常在第一轮从大型数据库中选择一个蛋白质的候选列表，然后在第二轮的蛋白质候选列表（而不是整个数据库）中鉴定到更多的PSM。然而，这种方法使用Target-Decoy法将无效：在第一轮中选择的目标蛋白多于Decoy蛋白数目；因此，在第二轮中，target和decoy的大小不同（图4）。

使用Target-Decoy方法时，通过蛋白鉴定信息，来反馈给搜索软件中的肽谱匹配进行奖励性加分。
一个蛋白的PSM越多，代表这个蛋白的置信度就越高。 因此，许多软件工具会给来自高置信度蛋白的肽加分。尽管这样做可以提高搜索的灵敏度，却让Target-Decoy方法变得不准确：会出现更多具有高分的Target蛋白的匹配；因此，因高分带来的错误的target蛋白匹配将会比decoy错配获得的蛋白更多。错误匹配将不会均匀分布。

通过应用Target-Decoy方法时，用重新训练出的模型来进行对结果的重排。
这种结果重排的策略最近被越来越广泛的使用，因为它可以提高搜索的灵敏度。 然而，这也会令Target-Decoy方法变得不准确：一个较为粗放的重新学习算法会用到过多的参数，使得数据出现过度拟合并消除decoy hit（但并不是target库中的错配）。因此，这种策略仅适用于当重新训练算法的设计考虑了过拟合问题，并且数据集非常大的情况。