在现代战争中,新型武器的使用往往能达到出其不意的效果,及时准确快速的处理雷达数据,判断空中目标就显得尤为重要。散射中心模型是用来描述雷达目标的电磁散射特性的重要工具,是目标特性分析的研究基础,宽角域的目标散射中心分布能反映目标的精确几何信息。通过对目标散射中心数据的聚类分析处理,可以更直观地分析未知目标的结构特征,从而快速识别判断未知空中目标。然而,传统的聚类方法在处理雷达数据时往往效果不理想,流形学习方法是最近十几年来逐渐发展起来的一种降维算法,在高维非线性数据处理方面具有独特的优势。深度学习算法在处理数据的速度上相对较快,采用深度学习算法自动学习数据特征也能够提高聚类精度。本文通过将流形学习方法与传统聚类算法融合,完成宽角域散射中心数据的降维与聚类,以及提出了两种基于深度学习的散射中心数据聚类算法,并将其应用在典型体的结构特性研究中,旨在实现具有高性能的散射中心宽角域关联算法,为目标散射特性宽角域参数化建模提供技术支撑。主要研究内容如下:(1)为了研究典型体散射中心的散射特性,本课题首先分析了几种现有的散射中心模型的理论框架,对典型体散射中心参数化模型理论的发展过程进行了梳理,分析了现有模型的不足,并在现有模型的基础上,为了扩展模型的表征能力进行改进,提出了等边二面角和等边三面角的解析式,完善了典型体散射中心模型的适用范围;(2)针对雷达数据具有非线性流形结构的特点,本课题采用流形学习方法对雷达散射中心数据进行降维,再结合传统的聚类算法进行分析,可以表征出数据的位置、姿态和尺度等内在参数。实验结果表明,融合算法在宽角域散射中心雷达数据降维聚类处理时间上要优于传统聚类方法,且性能方面也取得了更好的表现;(3)针对雷达数据具有高维度及数据量大的特点,深度学习算法在提取数据特征方面更加具有优势,再结合数据驱动的前提,本课题提出两种基于深度学习的聚类方法——用流形学习方法和非直接的深度聚类算法的N2D算法和深度嵌入式聚类算法DEC。基于深度学习的散射中心聚类算法能够更清晰地表征典型体的细节结构特性,同时在算法性能上取得提升。实验结果表明,基于深度学习的聚类算法对高维雷达数据的数据结构能够很好地表示,在聚类效果上有更好的表现。