近年来，无人机的泛滥使用对空中安全管理造成了巨大的威胁，然其作为一种“低、慢、小”目标，探测难度较高，利用传统方法很难将其从复杂杂波背景中检测与识别出来。而无人机的微动特征是其特有的运动信息，利用微动特征对无人机进行识别具有重要应用价值。时频分析方法作为提取目标微动特征的主要手段仍然存在许多不足，其中线性时频分析方法的时间分辨率和频率分辨率相互制约易导致分析结果不准确，而二次型时频分析方法具有良好的时频聚集性，但存在交叉项的问题。因此，针对二次型时频分布的缺陷，本文通过改进基于魏格纳-威尔分布的时频分析方法，结合无人机的极化特性分析，对不同旋翼类型无人机的微动特征进行了分类研究。本文主要研究工作如下：
　　（1）在分析刚体目标的特性的基础上建立了旋转旋翼叶片的数学回波模型，通过该模型推导出无人机旋翼的雷达回波信号。并研究了不同时频分析方法从无人机旋翼的雷达回波信号中提取微动特征的性能和适用性。
　　（2）为了解决魏格纳-威尔分布（WVD)的交叉项问题，引入了遗传算法优化参数的变分模态分解(VMD)。通过把待分解信号经VMD分解为若干个有点带宽的模态函数，分别进行 WVD 变换，再将所得结果进行线性叠加，达到抑制交叉项的目的。实验表明，该方法在保证了WVD变换的时频聚集性的同时，并能有效的克服了交叉项的影响，将为下一步的分类工作奠定良好的基础。
　　（3）为了提高无人机的分类精度，提出了一种基于多极化微动特征融合的无人机分类方法。首先分析了极化对目标散射的影响，通过实验验证了不同的极化方式目标回波信号不同，通过该方法得到的时频特性也不相同。因此，提出了分别采用不同极化方式的图像熵综合作为分类特征，并使用K-means聚类作为识别方法，对无人机旋翼类型进行分类的技术。实验结果表明，交叉极化方式的时频图图像熵的特征组合识别精度最高、效果最好，这也证明了基于多种极化方式的微动特征融合的分类方法可以很大程度上提高无人机的分类精度。