雷达无论是在军事还是民用领域都有着广泛的应用,雷达的工作地点和探测环境复杂多变。因此杂波环境下的杂波抑制和目标检测具有十分重要的研究价值。传统恒虚警（Constant False Alarm Rate,CFAR）检测根据杂波统计分布自适应判决阈值,一种CFAR检测方法不能适应多种杂波分布环境。针对这种情况本文把目标检测问题看作目标和杂波的二分类问题,首次将机器学习算法极限学习机（Extreme Learning Machine,ELM）应用到雷达目标检测领域,研究基于ELM的目标检测方法,并对算法加以改进提高算法的泛化性能。文章主要内容概括如下:1.制作数据集,标准的数据集对于机器学习算法的性能有举足轻重的地位。文章雷达工作体制为脉冲多普勒雷达,根据雷达回波数据提取样本特征构建分类器的训练数据集。首先通过对雷达回波数据处理生成距离多普勒谱,然后用不同的方法计算距离多普勒谱中目标点和杂波点的距离维信噪比、多普勒维信噪比、RD二维信噪比特征作为样本特征,最后将目标点与杂波点按照一定比例生成样本数据集。2.ELM具有计算速度快、泛化性能好的优点。对ELM算法用于目标检测进行可行性分析并详细介绍算法原理与流程。用同一时间段的雷达数据作为训练集和测试集检测算法性能,实验结果表明在检测出相同目标数目时ELM比CFAR检测匹配率更高,且ELM检测方法生成的轨迹更加连续;用不同时段的数据集检测算法性能,实验结果表明ELM比CFAR检测的泛化性能更好。3.雷达检测环境复杂多变,通常训练数据和测试数据的分布不均衡,且标注好的数据资源较少。针对这一情况,本文引入了机器学习中的域适应（Domain Adaptation,DA）方法,研究了基于域适应极限学习机（Domain Adaptation ELM,DAELM）的目标检测算法。进一步地用局部线性嵌入（Locally Linear Embedding,LLE）的方法减小源域数据和目标域数据的分布差异,将降低分布差异的新的数据集输入DAELM,同时在DAELM输出层用协方差正则项约束,提出了基于局部线性嵌入的域适应极限学习机（LLE-CDAELM）目标检测算法。最后绘制各个算法的ROC曲线,结果表明LLE-CDAELM的准确率高于CDAELM、DAELM和ELM。且对于不同类型杂波背景的数据集,LLE-CDAELM算法鲁棒性最好,在样本分布不均衡的情况下可以提升分类的准确性。