提升雷达对于高速机动目标的探测能力对于现代化国防建设来说具有重大的现实意义。雷达目标检测的核心在于目标回波能量的相参积累,然而,高速机动目标在相参积累的过程中容易发生距离徙动现象和多普勒频率徙动现象,这两个现象会使目标回波能量沿着距离维和多普勒频率维发生散焦,从而会给高速机动目标的相参积累带来严重的性能损失,进而引发雷达检测性能的显著退化。尽管针对该问题已经有了不少的研究成果,但是如何实现低运算量且高检测性能的雷达高速机动目标检测在目前来说仍然是一个挑战。为了解决这一问题,本文运用深度神经网络,沿着数据驱动和模型-数据联合驱动的技术路线展开了研究,主要工作概括如下:1、沿着数据驱动的技术路线,提出了一种基于深度神经网络的端到端雷达高速机动目标检测算法。该算法本质上是似然比检测的近似实现,它使用深度神经网络一步完成了目标回波能量相参积累和目标检测。该算法先使用深度神经网络依据雷达回波信号推断出雷达观测场景中是否包含目标的后验概率,再将深度神经网络的输出与检测门限作对比以实现恒虚警率检测,其中检测门限是通过手动调节和蒙特卡罗方法得到的。最后,仿真实验证明了该算法的有效性。2、沿着模型-数据联合驱动的技术路线,提出了一种基于深度神经网络的高速机动目标距离徙动矫正及检测算法。该算法首先创新性地采用深度神经网络实现距离徙动矫正,然后再采用dechirp方法补偿多普勒频率徙动,从而实现目标回波能量的相参积累,最后采用恒虚警率检测方法实现目标检测。因为该算法是通过应用深度神经网络,而非多维参数搜索,来实现距离徙动矫正的,所以该算法的计算量会大幅降低。仿真实验结果说明,该算法不但具备检测性能好和计算量低的优点,而且还拥有分辨临近多个目标的能力。此外,通过可视化技术,我们还对深度神经网络所做预测生成了对应的解释,发现该解释符合领域知识,这说明了深度神经网络工作机理的合理性。3、沿着模型-数据联合驱动的技术路线,还提出了一种基于全卷积神经网络的高速机动目标运动参数估计及检测算法。该算法首先将运动参数空间均匀地划分为多个子空间,接着采用全卷积神经网络依据雷达回波信号来预测目标运动参数属于哪一个子空间,这等价于对目标运动参数进行了粗略估计,然后再在全卷积神经网络预测指示的子空间中做精细搜索,从而实现对目标运动参数的精细估计和目标回波能量的相参积累,最后采用恒虚警率检测方法实现目标检测。因为基于全卷积神经网络的目标运动参数粗略估计能够帮助避免大量不必要的搜索操作,所以该算法的计算量会大幅降低。仿真实验结果说明,该算法能够良好地平衡检测性能和计算量之间矛盾。此外,我们还使用实测数据验证了该算法的有效性。4、在随机脉冲重复间隔雷达上实现高速机动目标检测时,不但需要应对距离徙动和多普勒频率徙动,还需要应对慢时间上非均匀采样的问题。针对这一问题,我们首先沿着模型驱动的技术路线,提出了一种基于重采样-楔石变换的高速机动目标相参积累及检测算法。该算法首先采用重采样-楔石变换来一步实现距离徙动矫正和慢时间上从非均匀采样到均匀采样的转换,然后采用dechirp方法矫正多普勒频率徙动并完成相参积累,最后采用恒虚警率检测方法实现目标检测。仿真实验结果说明,该算法的检测性能良好,且计算复杂度低。此外,由于该算法是由线性运算组成的,所以该算法能够分辨多个临近的目标而不会受到交叉项的影响。另外,我们还沿着模型-数据联合驱动的技术路线,改进了前文中的基于全卷积神经网络的高速机动目标运动参数估计及检测算法,使之能够适用于随机脉冲重复间隔雷达的高速机动目标检测。具体的改进措施是将慢时间采样信息输入进全卷积神经网络之中,以帮助提升全卷积神经网络的预测正确率,从而获得更高的积累增益和更好的检测性能。最后,仿真实验结果说明了该改进措施的有效性。