弹道导弹在发射后会经过助推段、中段和再入段三个过程,其中中段过程所占时间最长且离地面距离最远,是探测和识别弹道导弹的最佳时机。针对中段目标识别的研究以及几何特征反演的研究是弹道导弹防御系统中最重要的一部分,对国家军事防御有着重要意义。本文针对中段目标的二维ISAR图像和一维时域电场回波,分别设计了卷积神经网络（CNN）和长短时记忆神经网络（LSTM）对目标进行识别;在对目标进行成功识别之后,本文接着研究了基于CNN的目标几何特征反演方法。主要研究内容如下:（1）针对目标的ISAR图像,提出了一种基于CNN的中段目标识别的方法。该方法首先使用电磁仿真软件仿真目标在不同频率和不同方位角下的远场散射电场,并且构建目标二维电磁散射模型,得到目标ISAR图像;接着将目标ISAR图像数据集输入给设计好的CNN模型进行不断的训练,最终可以实现对中段目标的识别,结果表明基于CNN模型的中段目标识别准确率为97.29%,远高于SVM的76.11%;为了利用ISAR图像极化之间的信息,提出将目标在不同极化下的ISAR图像组合成为一个样本输入给CNN进行训练,利用CNN来自动提取极化之间关联的信息,最终该模型对中段目标的识别准确率为99.72%,验证了该方法的可靠性。（2）针对目标时域电场回波,设计了LSTM模型提取目标时域电场回波的特征并进行识别,并且使用了注意力机制来提高模型中关键特征对最终识别结果的影响,在经过不断地训练后,基于注意力机制LSTM模型对中段目标的识别准确率为98.88%。为了优化模型,提出时域电场回波分帧的方法改变输入给每个LSTM单元参数的个数使得在保留样本数据量的同时减小模型中的参数,提高训练效率;最终结果表明,采用时域电场回波分帧的方法可以在降低模型复杂度的同时提高目标识别准确率。（3）提出了一种基于CNN的中段目标几何特征反演的方法。该方法以中段目标的ISAR图像作为样本,设计CNN模型来提取特征并实现同时对目标高度和截面积的预测。与传统方法相比,利用一个CNN模型可以同时反演多个几何特征,提高了反演效率。最终,该方法反演的目标高度和真实的目标高度之间的相关系数为0.9907,目标截面积的预测值和真实值之间的相关系数为0.9754。结果表明,使用CNN可以有效地预测目标几何特征,为中段弹道目标几何特征的反演提供了一种新的思路。