随着现代科技的不断发展,海面小目标已经成为海洋监视雷达的主要探测对象。这类小目标的雷达散射横截面积小,其雷达回波往往被淹没在强海杂波背景下,这就导致了传统目标检测器检测概率低的问题。因此,本论文主要研究海杂波特性和高维特征域小目标检测方法。通过分析海杂波多个域的统计特性,深入挖掘海杂波和含目标回波的差异性,并借助机器学习算法,实现多个特征的联合检测,进一步提升雷达对海探测性能。论文的核心研究内容共分为以下两个组成部分第一部分是海杂波特性分析。首先,介绍海杂波产生的物理散射机理以及经典的三分量散射模型。然后,分析海杂波在时域和频域上的统计特性。在时域中,建立了两种常用的海杂波幅度分布模型,分别为K分布和广义Pareto分布。在频域中,基于实测IPIX数据,讨论海杂波和目标在一维频谱和二维时频图上的差异性,为后续的特征提取以及检测方法研究奠定了理论基础。第二部分是小目标检测方法研究,难点在于设计高维特征域分类器。目前,主要有两种途径。第一种途径是特征融合,提出一种多域多维特征融合的目标检测方法,通过极化域线性加权融合和特征域基于主成分分析的双重融合,将从时域、频域、时频域、极化域等多域提取的高维特征压缩为三维特征,获得高维度信息的同时减少维度计算代价。第二种途径是高维分类器设计,将检测问题转换为高维特征域的两分类问题。通过建立分裂因子和虚警率的函数关系,提出一种基于虚警可控随机森林的高维特征检测方法,获得了虚警可控的判决区域。但需要进行搜索最优参数且存在虚警控制不精准的问题。为此,提出一种基于虚警可控梯度提升树的特征检测方法,将高维特征向量凝聚为一维概率预测值,并将预测值作为检测统计量,避免了参数搜索过程且实现虚警精准控制。最后,通过实测IPIX数据集验证了所提三种检测器的优良性能,能够满足海洋监视雷达对海面小目标探测的快速、稳健等不同需求。