微弱信号检测是机器故障诊断等现代检测中一个重要的问题。其方法原理是利用信号处理理论和概率统计方法,研究观测信号的特性,分析产生干扰或噪声的原因,对此进行统计刻画,从而检测和估计出湮没在噪声中的微弱信号。混沌的独特性以及深度学习模型良好的学习能力,为微弱信号检测与估计提供了新的思路和方法。混沌现象普遍存在于自然界和社会生活中,混沌现象是物体不断以某种规则复制前一阶段的运动状态,而产生无法预测的一种随机效果。所谓“差之毫厘,失之千里”正是此现象的最佳体现。混沌运动对初值有着极度敏感性,一方面反映在非线性动力学系统里,随机性系统运动趋势的强烈影响,另一方面也导致系统长时间行为的不可预测性。随着混沌理论的不断成熟发展与深入应用,使其在微弱信号检测与估计领域成为一个研究热点。深度学习源于人工神经网络的研究,含多隐层的多层感知器就是一种深度学习结构。深度学习是机器学习研究中一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。深度学习模型突出的学习能力和良好的非线性逼近能力,为提高微弱信号的检测与估计精度提供了新的研究方向。本文运用深度学习模型对混沌噪声干扰下微弱脉冲信号进行研究。首先,阅读大量文献总结分析微弱信号检测的相关研究;其次,阐述了混沌理论、深度学习等相关基础理论知识;然后,着重基于Elman深度学习神经网络对微弱脉冲信号进行检测与估计。对混沌噪声下微弱脉冲信号的检测问题,利用混沌信号的短期可预测性,对观测信号进行相空间重构,建立Elman深度学习自适应检测模型(Elman deep learning adaptive detection model,EDAD),通过假设检验从预测误差中检测出观测信号中是否含有微弱脉冲信号。在微弱脉冲信号的估计问题上,对微弱脉冲信号建立了单点跳跃模型,并耦合Elman深度学习神经网络模型,构建双层Elman深度神经网络恢复模型(Double-layer Elman deep neural network recovery model,DEDR),以极小化Elman模型的均方预测误差为目标进行优化。由于DEDR模型本质上是一个包含参数部分和非参数部分的半参数化模型,因此针对微弱脉冲信号难以估计的问题,采用Profile最小二乘法(Profile Least square,PLS)来估计DEDR模型的参数。最后,基于Lorenz混沌系统,使用R软件对构建的模型编程进行仿真实验。研究结果表明:(1)构建的EDAD模型能有效的检测出微弱脉冲信号,同时采用准确率(ACC)评估模型检测性能,证实本文所构建的模型具有较好的检测效果。(2)构建的DEDR模型能实现在较低工作门限下对混沌噪声干扰下的微弱脉冲信号进行估计,估计值与真实值之间的误差较小,基本都在0.002%之下。(3)针对不同强度脉冲信号,本文所构建的检测和估计模型能利用较少的数据实现较低的信干比工作门限,并保持较高水平的预测精度。(4)进一步和不同模型进行性能比较,发现本文模型的优势更加明显:其检测能力更强,估计效果更好。