随着军事技术现代化的发展,弹道导弹技术在广度和深度的高速发展为我国的国防安全事业带来了更大的威胁与挑战。基于弹道目标飞行中段的真假目标识别,具有重大的国防安全意义,但是隐身涂层、战术诱饵等一系列突防技术的应用,大大削弱了雷达对目标的感知能力,使得对弹道目标的真假目标识别严重受限。深度学习技术为基于雷达信号的模式识别和特征提取提供了一种高效且鲁棒的数据驱动方法。本文充分探讨了深度学习算法对目标雷达散射截面积（RCS）时间序列的应用,通过相关算法有效地对目标外形种类、微动信息和几何参数等特征进行分析以实现对目标的真假识别,并讨论了不同结构深度学习算法的效果。论文主要内容如下:1、对外形造成的目标RCS特性姿态分布进行分析,并对基于RCS时间序列的样本预处理方法进行研究。在使用多种算法模型成功利用实验证明深度学习算法在目标分类的有效性的同时,设计了一种降低数据分布散布的同时尽可能保留数据信息的预处理方法,该方法能对基于循环神经网络的网络模型产生明显的效果提升。2、对弹道中段的微动状态进行建模,将微动抽象为基于章动角和进动周期两种微动参数的因变量。分析不同参数对目标时间序列的影响,并利用深度学习算法对目标进行微动参数估计。实验表明,深度学习算法能对目标的微动参数进行有效估计,且从参数角度和模型角度来看,进动周期更容易估计而深度化的网络模型具备更好的估计效果。3、对圆锥形类目标的几何参数对其RCS的影响进行分析,使用深度学习网络对目标的几何参数进行估计,并考虑到来自不同雷达观测到的RCS时间序列的特性,使用多站点雷达信息融合算法,并提出一种基于通道注意力机制的数据融合方法。实验证明深度学习模型在该任务上的有效性的同时,基于数据融合的方法能有效提高参数估计的效果。