雷达照射到运动目标时,回波的载频会发生变化,这种现象称为多普勒效应。如果在平动的同时,目标或其上的组成部件还存在着振动、转动等微运动,那么这些微运动会在目标平动分量引起的多普勒频率两侧产生额外的多普勒调制,这种现象被称为微多普勒效应。微运动和对应的微多普勒效应是目标几何结构和运动特性独一无二的表现形式,可以用来提取关于目标的细节特征。因此基于微多普勒效应的雷达自动目标识别技术成为了一个具有广阔应用前景的研究领域。本论文针对实际过程中利用微多普勒效应实现窄带雷达目标识别时仍面临的微多普勒特征提取,低信噪比条件下的目标分类和短驻留时间情况下的目标分类三方面问题进行了深入的研究。主要研究内容可以概括为以下四个方面:1.对窄带雷达典型目标的微多普勒调制特性进行了分析,具体的:(1)对于空中飞机目标(喷气式飞机,螺旋桨飞机和直升机),首先建立了飞机旋翼微多普勒运动的理论模型。在此基础上,结合根据理论模型仿真产生的仿真数据和窄带雷达录取的实测数据分析了喷气式飞机,螺旋桨飞机和直升机三类目标微多普勒调制特性的差异,分析表明利用微多普勒调制的差异来实现三类飞机目标的分类是可行的;(2)对于地面运动目标(单个行人,两个行人和行驶中的车辆),由于其运动形式的复杂性与多样性,我们根据窄带雷达实测数据从经验上定性的对目标的微多普勒调制特性进行了分析,并比较了三类目标微多普勒调制的差异。2.研究了窄带雷达体制下基于微多普勒效应对喷气式飞机,螺旋桨飞机和直升机的分类问题,具体的:(1)提出一种基于经验模态分解(Empirical Mode Decomposition,EMD)和CLEAN算法的微多普勒特征提取方法。该方法首先利用EMD算法对三类飞机目标回波进行分解,结果显示利用EMD可以有效的将喷气式飞机和直升机回波中的机身分量和微动分量分离开,在EMD分解结果的基础上,为了进一步将螺旋桨飞机回波中的机身分量和微动分量分离开,我们利用CLEAN方法对三类目标回波进行分析,从而将三类目标回波中的机身分量和微动分量彻底分离。在EMD和CLEAN分解结果的基础上我们提取五维反映不同目标微动特性差异的特征及反映不同目标机身分量和微动分量的比例特征实现了对三类飞机目标的分类,基于仿真和实测数据的实验结果表明,基于EMD-CLEAN的特征提取方法不仅可以获得更好的分类性能,而且对雷达系统参数的要求更低;(2)针对目标回波中微动分量容易受到噪声污染的问题,结合信号稀疏表示(Sparse Representation,SR)理论和CLEAN算法,我们提出一种SR-CLEAN方法实现了对目标回波中噪声分量的抑制,基于仿真和实测数据的实验结果表明,所提SR-CLEAN方法可以明显提升上述基于EMD-CLEAN分解所提微动特征在低信噪比条件下的分类性能。3.针对上述SR-CLEAN噪声抑制方法需要噪声功率的先验信息的问题,我们在主成分分析(Principal Component Analysis,PCA)模型的基础上提出了一种贝塔过程主成分分析(Beta Process Principal Component Analysis,BP-PCA)模型实现对窄带雷达录取的目标回波进行噪声抑制。该方法在PCA模型的基础上,利用贝塔过程实现了主分量个数的自动选择即该方法可以自适应的确定信号子空间的维度,进而在所选择的主分量张成的信号子空间中重构信号实现噪声抑制,同时不需要噪声功率的先验信息。基于仿真数据的实验结果表明所提方法可以自适应并且准确的确定信号子空间的维度,基于实测数据的实验结果表明所提方法在实现噪声抑制的同时对原信号几乎不产生影响。4.针对短驻留时间情况下分类性能下降的问题,研究了存在样本缺失情况下窄带雷达信号重构方法,具体的:(1)由于窄带雷达体制下,目标回波近似服从复高斯分布。在这一前提下,首先建立描述样本缺失观测信号与未知完整信号间关系的概率模型,然后根据贝叶斯准则推导出在给定样本缺失观测信号条件下完整信号的后验分布,最后利用变分贝叶斯期望最大(Variational Bayesian Expectation Maximization,VBEM)算法得到模型中参数的最大似然估计,进而得到完整信号的重构;(2)在上述方法的基础上,考虑到窄带雷达数据并非散布于整个高维空间,而是聚集在某些低维子空间内的情况,我们用因子分析(Factor Analysis,FA)模型对复高斯分布的协方差矩阵进行低秩分解,提出一种基于自动相关确定(Automatic Relevance Determination,ARD)先验的因子分析方法。该方法在降低模型自由度的同时减少了重构过程中对观测样本的需求,并且该方法实现了FA模型中因子个数的自适应选择。基于实测数据的实验结果表明,上述两种方法相对于其他方法可以获得更好的重构性能。