重点区域的周界安防是一个关乎国家领土安全、企事业及个人财产安全的重要问题。我国幅员辽阔,与多个国家接壤,边境地区的走私和贩毒等违法行为屡禁不止。近年来,由于新冠疫情影响,边境地区的安全防范面临着更加严峻的挑战,对我国人民的安全和健康造成严重的威胁。军事基地、监狱和基站等重要区域的安防也尤为重要,不法分子在上述区域的非法行为对社会稳定和人民生活造成严重的威胁。现有周界安防系统多以视频监控为主,不易隐蔽,且难以在野外和基础设施较差的环境工作。因此,亟需研究适用于多种环境的安防手段,感知并识别重要区域内非法目标,为边境和重要区域提供科学管理和智能防护,避免入侵破坏等行为发生。目标（行人、车辆）在地面上运动会产生在地表传播的振动信号,这种信号是周界安防系统中探测地面运动目标的有效手段。振动传感器隐蔽性强、功耗低,能在野外区域全天候值守,其工作特性受天气变化和复杂地形影响较小,适用于多种环境的目标振动信号采集。但是,现有基于振动信号的地面运动目标感知与识别的研究存在检测算法漏报率和虚警率高,识别算法准确率较低,环境适应性较差等问题,严重影响周界安防系统的性能。针对地面运动目标振动感知与识别方法中存在的问题,本文从振动信号的产生、传播和衰减原理出发,研究振动信号预处理、地面运动目标检测和目标识别算法。本文的研究内容与创新点如下:（1）提出基于变分模态分解的振动信号预处理算法,减小环境噪声对运动目标感知与识别的影响。利用变分模态分解处理原始振动信号,将信号分解成多个中心频率不同、特征时间尺度分离的模态。提出由函数定义的自适应模态划分策略,结合欧氏距离和相关系数将分解后的模态划分为有效成分主导的模态、噪声成分主导的模态和纯噪声模态三类,实现系统全面的模态选择。根据模态成分占比处理分解模态,分离原始信号中噪声成分并重构去噪信号。实验结果表明,与现有算法相比,提出的信号预处理算法能更有效地提高信号信噪比,且适用于行人和车辆目标产生的振动信号。对于行人振动信号,提出的算法可以去除信号中噪声成分,处理后的信号波峰平滑且保留原始信号中目标特征;对于车辆振动信号,提出的算法可以抑制噪声引起的毛刺信号,具备良好的信号平滑效果和降噪能力。（2）提出多特征的自适应地面运动目标检测算法,解决现有算法误报率和漏报率高的问题。研究目标信号与环境噪声的差异性表征,结合随机森林和OOB（out of bag）分数筛选信号的有效检测特征组。采用信号的多个特征设计检测算法,避免单个特征带来的误判并尽可能地消除脉冲噪声的影响,提高检测算法的可靠性。将检测问题转化为分类问题,利用支持向量机训练目标检测模型,区分目标振动信号和环境噪声。利用长短时平均构建特征转换策略,增强检测算法的环境适应性。计算信号长窗口和短窗口的能量比,判断检测模型的实时输入特征是否需要转换,并将实时信号的特征和模型训练集中信号的特征映射到相同的特征空间。实验结果表明,提出的算法具备良好的检测性能,其检测行人目标的准确率为97%,比现有算法提高约15%;其检测车辆目标的准确率为94%,比现有算法提高约11%。同时,提出的算法在新环境的检测准确率为98.9%,与现有算法相比提高约26.8%,具有良好的环境适应性。（3）提出基于神经网络和领域自适应的地面运动目标识别算法,识别地面运动目标的类型是行人、轮式车或履带车。分析不同类目标振动信号的可辨识特征,利用神经网络搭建目标识别模型,提取信号的时域表征和时频域表征。具体地,用信号短时傅里叶变换的低频部分构造二维时频图,并搭建由小尺寸卷积核和较少卷积层组成的特征提取器。提出的模型可以从信号中提取具备分辨度的深层特征,具有较高识别准确率且能减少网络冗余运算,花费更少的训练和计算时间。同时,引入领域自适应构建识别模型在目标域的半监督学习,实现模型从源域到目标域的迁移。结合交叉熵、focal loss和最大均值差异距离构建联合损失函数,约束特征提取器对源域和目标域的共同特征的提取能力,提高识别模型在新环境的目标分类准确率。实验结果表明,本文提出的模型识别行人、轮式车和履带车的准确率为96.4%,比现有模型提高约1.1%。算法在多个数据集间迁移后的平均识别准确率为93.4%,与未迁移的识别算法相比提高约29.4%,具有良好的可迁移性和识别性能。