短波语音通话下的飞机驾驶舱背景声进行飞机类型的识别，是非合作目标识别领域的一个新课题。现有的飞机识别技术，主要基于雷达和图像进行飞机识别，而两者的不足之处在于作用距离近。但目前短波语音通话下的飞机识别主要途径是由资深专业人员进行倾听识别，关于这方面的研究，国内外缺乏公开的文献报道。本文结合国家自然科学基金“基于短波语音通话的飞机类型识别研究”，以飞机的短波语音通话为目标信号，进行了飞机类型辨识的相关系列研究工作。首先，为区分目标信号的来源是地面目标还是飞机目标，本文利用Welch算法，对地面信号/飞机信号进行了目标信号的辨识，结果表明地面目标与飞机目标存在着很大的差异性，实现了目标信号辨识。对飞机驾驶舱背景声进行特性分析，是飞机类型识别工作中的首要任务。为分析飞机驾驶舱背景声信号相关物理特性，提出集合均值和集合方差的分析方法，应用在目标信号的频域以及倒谱上，对飞机驾驶舱背景声信号进行相关物理特性分析，结果表明不同飞机类型的驾驶舱背景声的谱峰特性差异明显，为语音抑制、特征提取以及类型识别做了积极的铺垫。其次，在原始信号中包含有大段清晰的飞行员话音，此处语音相对于飞机背景声成为了强干扰噪声，因此需要去除。利用了基于谱熵的语音端点检测，对所检测到的原始信号流中的语音段采用两种方式对目标信号进行语音抑制。利用经验模态分解与小波分析（EMD_WT）进行语音抑制，但在其语音抑制的过程中引入了大量的过程噪声，为后续的相关信号处理带来了很大的隐患。于是提出利用全局经验模态分解与小波包分解结合（EEMD_WP）实现语音抑制。通过时域与频域的对比，EEMD_WP较EMD_WT方式取得了较好的性能，对语音进行了有效的抑制，增强了背景声。第三，特征提取是飞机类型识别工作中的一个重要内容。从听觉感知的角度对飞机驾驶舱背景声进行了特征提取的研究。依据MFCC提取流程，提出用基于听觉感知的Bark小波包提取特征，结合所分析的目标信号的物理特性，利用对角切片的方式选取小波包结点，得到了体现目标信号物理特性的特征，并结合具有时变特性的MFCC、PLP的Delta特征，为减少特征参数的高阶冗余，经过PCA降维和F比评价得到简洁的多角度的混合特征参数，实验表明，它比单种特征有更好的分类性能，实现对目标信号进行建模的目的，为飞机类型识别作必要准备。最后，针对飞机的高斯混合模型(GMM)参数冗余的问题，利用基于贝叶斯阴阳(BYY)和谐学习理论的普通梯度算法进行模型选择，实现模型参数估计及阶数的自动选择。而普通梯度学习算法往往会陷入和谐函数的局部极值而导致不理想的结果，提出基于黎曼流形的自然梯度的贝叶斯阴阳和谐学习的模型选择算法。结果表明，基于自然梯度的模型选择算法不仅能够实现自动模型选择，对模型复杂度进行了不同程度的有效压缩，并且自然梯度学习的收敛性能优于普通梯度学习算法，使高斯混合模型对飞机目标信号的分布空间的拟合程度更进一步，提高了极少信息量下的识别性能。