雷达目标数据处理是建立在雷达信号处理后的再处理过程,其输入为信号检测器报出的点迹,输出为目标的航迹信息。点迹信息中包括目标和杂波的参数估计,利用这些信息找出目标、预测目标未来的运动学信息是其主要的任务。任务对应着航迹起始、目标位置预测、航迹维持三个航迹处理流程。本文聚焦于当空间目标的运动状态方程非线性的情况下,利用机器学习方法的实现雷达目标数据处理。首先针对航迹起始的问题,将其转化为是否起始的二分类问题。通过真实目标的运动学信息构建可用于区分的特征,利用这些信息训练随机森林网络,再使用训练好的随机森林网络判断点迹组合是否满足航迹起始条件。针对可能出现的点迹漏检情况,使用多项式拟合方式补上缺失的点迹。其次,针对目标运动信息预测的问题,提出使用长短时记忆网络这种时间序列预测方式预测目标的状态参数。绕开非线性运动模型的建立,通过数据本身时间上的趋势性,通过长短时记忆网络这种人工智能时间序列预测方式实现雷达目标状态的预测。为了保证测试样本对网络具有尺度不变性,测试样本需要用训练样本的尺度转化。最后,针对航迹维持,使用一种改进的模糊C均值聚类的方法。通过目标状态预测值确定相关波门。假设门内所有的量测都可能来源于目标,利用聚类算法计算每个量测来源于雷达目标的可能性并得到聚类中心,认为聚类中心是雷达目标最可能在的位置。仿真实验结果表明本文研究的方法能够在不建立运动模型的情况下,使用人工智能方式有效处理空间目标数据处理问题。