运动目标检测是机载雷达信号处理的重要任务之一,但当雷达下视工作时,往往面临着较强的地杂波,这些杂波会在空时二维域扩散分布,淹没低速、弱小的运动目标。传统空时自适应处理方法可以抑制空时耦合的杂波,但需要均匀的训练样本作为支撑。而机载雷达面对的实际杂波环境往往是非均匀的,这给传统的机载雷达运动目标检测带来了困难。在深度学习领域,对动目标的分类主要依赖卷积神经网络（Convolutional Neural Network,CNN）对数据深层特征的提取,其强大的泛化能力能在一定程度上弱化非均匀杂波对目标检测的影响,但是卷积网络的训练需要的数据集和样本数量非常多,很难应用到实际的机载雷达系统当中。基于上述问题本论文提出了一种基于特性提取网络的小样本网络模型,通过仿真实验证明该网络能够很好的避免非均匀杂波对于动目标检测的影响,并且在低信杂比情况下,该网络模型也能够很好的提取到动目标的主要特征,对杂波进行有效抑制。本文围绕上述内容展开研究,主要工作以及贡献如下所示:（1）在实际的机载雷达回波中杂波一般是非均匀杂波,并且由于系统硬件误差以及杂波内部运动等因素,接收到的杂波信号存在空域和时域误差,本文通过机载雷达的先验知识以及对可能存在的误差进行分析,通过高逼真度仿真得到高精度的雷达回波信号。为了在CNN中更好的提取回波信号特征,在构建CNN的数据集时将回波信号变换到了空时二维波束域,并且将回波信号的实部和虚部进行联合处理以便充分提取目标和杂波特征。（2）低信杂比情况下,雷达回波中的动目标很可能会淹没在杂波之中,同时,在实际的雷达回波中有存在干扰信号的可能,这对CNN网络提取动目标信号的特征造成一定的影响。为了解决这些问题,本文引入了通道和空间的双通道注意力机制,提出了一种基于双通道输入的特征提取网络模型,能够在获得动目标信号关键信息的同时还能抑制杂波信息,来提高动目标信号的预测精度。通过对比实验,验证了特征提取网络模型在预测任务上的可行性和有效性。（3）考虑到由先验知识生成的杂波样本与实测数据之间往往存在误差,例如阵列误差,载机偏航等等,仿真的数据很难去拟合实测数据的误差,因此直接利用先验特征提取网络对实际雷达回波进行实时处理往往得不到理想的检测结果。为了解决该问题,本文在特征提取网络的基础之上,融合了孪生网络模型提出了一个基于特征提取网络的小样本网络模型,在实际的雷达动目标检测中可以通过较少的实测数据样本来矫正利用先验知识训练好的特征提取网络,从而实现对动目标的鲁棒、快速检测。