微多普勒效应能够反映目标微动部件的运动特征和几何结构信息,为窄带雷达目标分类提供了新的思路。但由于微动部件回波较弱,利用微多普勒效应进行目标分类需要较高的信噪比。然而实际当中待分类的目标通常距离雷达较远,其回波信噪比较低,这将导致分类性能严重下降。针对该问题,本文开展了噪声稳健的窄带目标分类研究,主要研究内容概括如下:1.首先建立飞机旋翼回波信号模型,基于该模型从多个角度分析了直升机、螺旋桨飞机和喷气机微多普勒调制特性的差异。然后分析了桨叶角、俯仰角、脉冲重复频率、驻留时间以及信噪比等多个因素对回波信号的影响。2.研究了联合信噪比匹配与回波增强的噪声稳健分类方法。该方法基于加噪匹配的思想,在训练阶段通过向高信噪比训练样本中加入噪声的方式得到不同信噪比水平的训练样本集,在此基础上训练并存储不同信噪比下的分类器模板;在测试阶段,通过估计测试样本的信噪比并选择与之匹配的分类器进行分类。仿真实验结果证明该方法在回波增强的基础上,能有效提升分类的噪声稳健性。3.研究了基于卷积神经网络的噪声稳健分类方法。该方法利用卷积神经网络强大的非线性映射能力从回波幅度信息中提取对噪声稳健的分类特征,仿真实验结果表明所提取特征受噪声影响较小,具有一定的噪声稳健性。考虑到除了回波幅度信息,相位当中也包含了分类信息,因此设计了双分支网络合理利用相位信息。仿真实验结果证明双分支网络能够进一步提升分类的噪声稳健性。4.为了在分类过程中充分利用样本的信噪比信息提升分类性能,设计了信噪比信息辅助的噪声稳健分类网络。该网络将样本的信噪比信息作为额外的输入参与到卷积核与全连接层权重的学习过程中,该网络能够根据信噪比变化,自适应调整网络参数,学习出在当前信噪比条件下可分性更好的特征。仿真实验结果证明,信噪比信息辅助网络所提特征在卷积神经网络特征基础上进一步提升了分类性能。