雷达海面目标检测无论是在军事上还是在民用上都有着举足轻重的意义,由于海洋环境的复杂性以及海杂波的不确定性,给海面漂浮小目标的检测带来一定的挑战。根据海杂波特性进行函数建模的传统统计学目标检测方法,会遇到高虚警、检测性能受损等问题。随着信号处理技术的发展,通过提取不同特征的方法来检测目标,并且图拓扑结构在生物基因、图像处理、大数据等领域的应用,利用图拓扑结构的特性与海杂波的非线性、非高斯、非平稳的特性,提取基于图域特征的海面小目标检测算法。近些年,深度学习技术的快速发展,众多学者将深度学习引入到海杂波与目标的分类研究中。本文探索图拓扑结构特性并提取不同的特征,讨论了图域特征的海面小目标检测与分类研究的有效性。在分析海杂波特性与图拓扑结构的基础上,对雷达回波数据关联性与连通密度进一步研究,分别提出图拉普拉斯矩阵最大特征值与图熵作为海面目标检测特征,进行特征分析并完成海面目标检测,并将图拓扑结构与卷积神经网络结合,提出海杂波与目标的分类算法。本文的研究内容概况如下:（1）介绍了图拓扑结构的定义以及数据间的联系与特点,并通过实测数据预处理后,根据数据的关联性得到的图连通密度,建立图拓扑结构并生成邻接矩阵,分析了杂波数据的图拓扑结构与目标数据图拓扑结构之间差异性,并为下文中图的特征提取与分类奠定基础。（2）探索雷达回波数据频域幅度间的关联性以及连通密度,减少回波能量损失。首先根据图谱理论,利用邻接矩阵构造度矩阵进而得到拉普拉斯矩阵。然后根据图拉普拉斯矩阵特征值之间的关系,提取图拉普拉斯矩阵的最大特征值作为目标检测特征,完成海面目标检测。最后,实验结果与现有的一些特征算法相比,我们所提出的图拉普拉斯矩阵最大特征值具有更优越的检测性能和更小的计算复杂度。（3）根据邻接矩阵的数据分布,杂波数据与目标数据呈现的聚集性与孤立点来实现目标检测。将邻接矩阵中去孤立点后,形成新的向量,计算其熵,提出基于图熵的海面目标检测方法。同时,将图熵检测方法与不同域的熵特征检测方法进行对比,其检测性能具有明显的提升。（4）进一步将图拓扑结构与深度学习中的卷积神经网络（Convolutional Neural Networks,CNN）结合,提出一种基于卷积神经网络的海面目标图分类方法。将邻接矩阵构建的图进行模型训练,通过各种指标的分析,验证了利用CNN对海面目标图分类的有效性,并与其它的机器学习方法对比,实验结果表明,该方法能够更好的将海杂波与目标分类。