雷达目标检测技术广泛应用于军事和民航活动中,随着飞行器隐形技术的发展和飞行速度的提升,雷达目标存在着高杂波、低信噪比、运动速度过快等特征,对雷达目标检测技术提出了更高的要求。深度学习具有较强的自动化特征提取能力,可以避免传统方法中需要人工提取特征的限制,并且已经在雷达目标检测领域取得了一定的成果。由于天气、雷达硬件老化等因素的影响,雷达数据会随着时间的改变发生一些变化,初始训练的深度学习模型可能会不适用于后续的数据,因此需要使用新的数据不断训练模型,使模型随着数据变化而不断进化。模型的进化需要大量有标签样本数据参与模型训练,虽然雷达数据容易获取,但是数据标签的标注代价高昂,如何利用无标签数据进化深度学习模型就显得非常重要。针对上文所提到的问题,本文提出了一种基于深度学习的自进化雷达目标检测算法,使用无监督的方式实现深度学习模型的自进化。首先,本文设计了两个基于深度学习的雷达目标检测模型,分别是深度置信网络(DBN)和递归神经网络(RNN),这两个模型通过有监督训练,生成雷达目标检测的基础模型。其次,在这两个模型的基础上使用双视图协同训练算法实现了模型检测能力的无监督自进化,双视图协同训练算法的关键在于双视图的构造,本文通过两个不同的方向构造双视图,分别是基于单周期和多周期特征构造的特征方向的双视图以及基于DBN和RNN构造的模型方向的双视图。另外,本文还给出了双视图协同训练与主动学习相结合的自进化雷达目标检测算法,在主动学习中,模型根据学到的知识主动的挑选部分样本交于专家标注,然后用于模型的训练,改善了双视图协同训练中完全被动接受样本的问题。最后,本文算法在某雷达上采集到的连续三天的数据上进行了验证,结果表明,本文算法能够通过无监督或者半监督的方式实现雷达目标检测模型的自进化。