正确地识别目标物体是实现机器智能化的关键任务。近年来,随着深度学习技术的发展,目标分类任务已经取得了显著的进展。然而,当前的目标分类技术大多都是基于图像的。图像在网络传输差、物体被遮挡等复杂情况下是难以获取的。因此,研究如何在目标图像不容易获取时的目标分类方法也是非常重要的。图像不容易获取的场景是多种多样的,本文仅研究两种情况下的解决方案:1)网络情况差,图像不利于传输;2)光照条件差或者物体被遮挡。对于第一种情况,本文提出利用用户点击这种可在网络中高效传输的文本数据类型来表征图像语义信息;对于第二种情况,本文提出利用不受可见光条件干扰的电磁散射数据来解决。因此,本文主要围绕基于点击数据和散射场数据的目标分类方法展开研究,具体包括以下两部分内容:(1)基于深度点击的目标图像分类方法。点击数据具有高层的语义,贴近人类对于目标物体的理解。利用用户点击数据,目标可以表示为在查询文本下的用户点击次数向量。但是这种向量高度稀疏,表征能力有限。本文提出利用自然语言的技术,将查询文本切分为单词后,利用TF-IDF算法,将目标表征为单词词典下的TF-IDF向量。在此基础上,本文提出在构建TF-IDF点击特征向量时考虑单词词性,为用户点击的查询构建不同词性的字典。进一步地,本文提出利用这些词性分解的点击特征向量去构建一个点击特征张量,并为该点击特征张量设计一个专属的深度点击网路来挖掘它的深度点击特征。实验结果表明,点击特征张量具有丰富的语义性,能够达到更好的分类性能。(2)基于电磁散射特征的目标分类方法。散射场数据是微波探测物体后,利用电磁波传感器接受到的一种数据。散射场数据是一种复数形式的数据,我们提出在目标物上探测到的电磁散射数据上构建深度模型,挖掘目标的深度散射特征。然而,相比于在计算机视觉领域经常使用的面向实数输入的深度模型,复数输入上构建深度模型相对困难。因此,本文提出了一种由复数组件构成的复数深度卷积神经网络、并利用注意力机制来自动学习散射场的判别特征。此外,为了应对实际场景,我们从抗噪能力和有限孔径两方面研究了模型的鲁棒性。实验结果表明,带有注意力机制的复数卷积神经网络不仅能够有效地学习到散射场数据的更有区分性的深度特征,同时具有很好的鲁棒性。