雷达是空间监视、预警防御等系统的重要传感器。雷达能否探测、跟踪感兴趣的目标并识别目标的类别对这些系统具有至关重要的影响。在空间监视和预警防御应用中,真假弹头目标的识别是最重要也最具挑战性的问题之一。雷达在探测、跟踪、识别弹头目标时,需要克服各种假目标的不利影响,主要包括:无源诱饵目标的误导、有源电子假目标的压制和混淆。针对弹头欺骗干扰技术中的实体假目标和弹载间歇采样转发干扰（Interrupted-Sampling Repeater Jamming,ISRJ）形成的电子假目标,本文研究了基于深度学习的雷达弹头目标识别的一些关键技术,按雷达信号与信息处理流程的先后顺序依次为:（1）在雷达目标检测前,设计了栈式双向GRU（Gated Recurrent Unit）网络在时域识别并分割受ISRJ污染的雷达回波信号,提取仅包含真实目标回波的无干扰信号片段,生成并平滑滤波器,抑制ISRJ在雷达系统中形成的电子假目标,减弱ISRJ对真实目标的压制作用,大幅提高了真实目标在ISRJ环境下的检测概率;（2）在雷达目标检测阶段,设计了专门的卷积神经网络（Convolutional Neural Network,CNN）,增强线性调频（Linear Frequency Modulation,LFM）信号的去斜信号的时频图并提取时频脊线,估计各信号分量的时频参数,结合雷达发射信号的先验信息,分辨识别脉冲压缩结果中检测到的目标是真实物体目标还是ISRJ形成的电子假目标,大幅降低了ISRJ假目标进入雷达后续跟踪识别等环节的概率,缓解了雷达脉冲资源紧张的压力,提高了雷达跟踪到真实目标的概率,减弱了ISRJ对雷达的误导作用,为后续雷达分辨识别实体诱饵假目标和弹头目标铺平道路;（3）在雷达跟踪测量后的目标识别阶段,针对最具挑战性的仿形诱饵和弹头的分辨识别,以最广泛雷达可以获取的雷达散射截面积（Radar Cross Section,RCS）序列数据为基础,提出了两种弹头和诱饵的识别方法:其一,研究了基于一维CNN的弹头目标微动周期提取方法及基于微动周期的目标粗分类技术,和传统方法相比,周期提取的精度更高,粗分类性能也更强;其二,研究了基于一维CNN的仿形诱饵和弹头识别方法,相比于传统的目标识别方法,在大幅降低了虚警率的同时还降低了弹头目标的漏检概率,提升了弹头和诱饵分辨识别的综合性能。