RCS(Radar Cross Section,雷达横截面积)是目标散射能力的一种度量。在真实战场中,军事目标(如飞行器、舰船等)的雷达隐身技术直接影响他们的战斗防御能力和突击能力。对于飞行器、舰船等电大尺寸目标,雷达隐身性能主要通过各种方法来减少RCS,即减少自身对雷达探测波的有效反射功率,从而实现降低敌方雷达探测距离的目的。在电磁散射计算领域,复杂目标RCS的获取是通过理论分析、公式计算和实际测量。但是此类方法计算复杂高、时间周期长、时效性差,无法满足真实战场下简单、高效、准确地对雷达目标的RCS估计与预测的需求。近年来,深度学习在图像识别、语音识别、推荐系统等方面得到广泛应用。通过构建多层神经网络模型,深度学习可以准确高效提取数据的特征信息。本论文主要研究目标是基于深度学习实现对复杂目标RCS的估计与预测。本论文提出基于LSTM-Encoder-Decoder神经网络结构以构建多层次模型实现对已知方位向、俯仰向的RCS数据学习,并对目标未知角度的RCS估计与预测,最终与电磁散射计算方法FEKO计算结果进行对比以验证此法的可行性和有效性。本文的主要研究工作与创新点由以下内容组成:·提出基于深度学习的复杂目标RCS估计算法。与电磁散射计算领域的RCS估计方法相比,此算法充分利用目标的空间信息,可以从大规模数据中挖掘、提取关键信息,实现对复杂目标RCS的直接估计,减少实时计算的内存降低计算能力的成本,具有简单、高效、准确等特点。·建立基于深度学习的复杂目标RCS估计模型。本文立足于递归神经网络和长短期记忆神经元,利用不同方位向、俯仰向的部分复杂目标RCS数据来提取特征信息,并利用此特征信息实现对复杂目标RCS全向估计与预测,满足工程应用中对复杂目标RCS估计的简单、高效、准确的需求,具有良好的应用前景。·将基于深度学习模型的实验结果与通过FEKO软件计算所得的复杂目标RCS数据进行对比验证。本文设计并搭建双层LSTM-Encoder-Decoder模型,利用FEKO计算所得的复杂目标RCS数据进行训练,以验证基于深度学习的复杂目标RCS估计的可行性和有效性。