动目标检测是雷达信号处理的一个热门和难点问题,在目标的搜索、监视、跟踪等方面发挥着关键的作用,广泛应用于军事和民事领域。检测的准确率主要受目标回波强弱,目标种类的复杂程度,目标运动状态等因素的影响。传统的动目标检测方法基于杂波和目标回波统计模型,对于微弱目标的检测性能差,分类识别率低。特征检测技术通过提取杂波和目标回波的差异性特征实现动目标检测,提高了微弱目标的检测能力。基于时频分析的动目标检测方法通过在二维时频平面上提取目标的时频特征,改善了杂波背景下目标时域或频域特征不明显的缺点,使得目标检测和分类的性能得到了提高。由于深度学习能够学习数据的内在规律和表示层次,自动提取目标的深层次特征,过程不需人为干预。因此通过卷积神经网络对回波信号的时频分布图进行深层次的特征提取,既充分利用了回波信号的时频信息,同时可以发挥卷积神经网络在模式识别上的优势,从而实现了动目标的智能检测。本文主要围绕匀加速、匀减速、匀速三类动目标的检测问题,将雷达动目标的回波信号建模为调频信号。对目标回波信号进行时频分析,建立其时频分布图,并利用卷积神经网络对三类动目标进行识别与分类。本文的主要工作包括:1.基于同步提取变换和AlexNet的雷达动目标检测方法。首先将雷达目标的回波信号模型建立为线性调频信号,通过同步提取变换建立回波信号的时频分布图;进而对时频分布图进行脊线提取,并以此构建数据集;最后基于数据集对AlexNet网络进行训练,完成雷达动目标的识别和分类。仿真实验表明,所提方法在噪声环境下对匀速,匀减速,匀加速三类动目标均具有较高识别率。脊线提取的加入增强了低信噪比下回波信号的时频特征,提高了检测方法的识别准确率和噪声鲁棒性。2.基于二阶同步提取变换和AlexNet的雷达动目标检测方法。首先将高速机动目标的回波信号模型建立为更精确的高斯调幅-线性调频信号,通过二阶同步提取变换将回波信号转换为时频分布图;进而利用脊线提取算法从时频分布图中提取最大能量脊,并以此构建训练集、验证集和测试集;最后将数据集输入AlexNet网络进行训练,提取各类动目标的深层次特征信息,实现动目标的自动检测。仿真实验表明,二阶同步提取变换和脊线提取的应用能够有效增强噪声环境下回波信号的时频特征,使得检测方法的准确率和噪声鲁棒性均有所提高。本文提出的基于时频分析和卷积神经网络的动目标检测方法,丰富了卷积神经网络在雷达目标检测领域的应用,并且为低信噪比下动目标检测提供了新的研究思路。