海杂波背景下漂浮小目标的检测与分类是海面搜索雷达监视领域的两个难点,对海洋国土保护、海上求援、海事及航道管理等方面具有重要指导意义。在日益精细化的雷达体制以及目标小型化的环境下,传统的基于海杂波统计建模与临界信杂比的检测分类方法性能十分有限。而以人工智能为主导的机器学习技术及其重要分支深度学习技术具有非线性拟合和特征提取的优势,为突破性能瓶颈提供了新思路。因此本论文借助机器学习技术旨在发展海杂波特性自主感知和匹配于目标和海杂波的多维特性以及差异性认知的新型目标特征检测与分类方法。论文的主要研究内容分为三个部分:（1）提出了一种基于迁移学习的漂浮小目标分类算法。针对海杂波与目标类别非平衡、目标样本稀缺的问题,同时考虑到微多普勒对漂浮小目标微动特性的分析优越性以及卷积神经网络在图像处理方面的优势,基于迁移学习的思想从不同场景的数据集提取出通用的低维特征,在低维特征的基础上训练卷积神经网络用于目标分类。在实测数据上的分类结果表明基于迁移学习的网络训练收敛速度更快,且分类性能相比不利用低维特征训练的网络更优。（2）提出了一种基于连通区域特征的目标检测算法。观察到海杂波与目标在时频图上表现出的视觉差别,具体又表现为能量簇在形状分布上的差异。基于杂波块白化处理实现对海杂波能量的抑制,并结合像素级分类网络实现连通区域特征提取从而实现目标检测。基于实测数据的检验和结果表明块白化处理对杂波进行了一定程度的抑制,所设计的检测器在性能上总体优于传统的基于分形的检测器。最后在此基础上对检测统计量的选择与网络的训练方式进行了优化,检测性能进一步提升。（3）提出了一种多特征联合的漂浮小目标检测算法。传统特征检测方法受限于特征维数,如异常检测常采用的凸包类学习算法对高维特征向量的处理十分有限,一般难以突破三维,而随着海杂波与目标认知不断加深而逐渐增加的差异性特征的提出,会遇到特征利用率低的问题。此外大多数特征融合算法的计算复杂度比较高,不利于工程化实现。为了突破性能瓶颈,提高特征利用率,提出了一种基于集成学习思想的多特征联合的检测器,分析了不同特征的可分性并利用决策树实现联合决策,提高检测器的鲁棒性。基于实测数据的检测结果表明所设计的检测器性能相比传统检测器有所提升。