时序数据是一种重要的数据类型,社会生活的各个方面可以看到时序数据的身影,如股票数据、气象数据、交通工具的轨迹信息、行人的轨迹信息等等,根据历史信息可以对目标的将来时刻进行预测可以帮助人们了解事物的发展规律,并提前做出应对措施,因此轨迹预测问题具有重要的研究意义。目前针对雷达目标数据的轨迹预测研究较少,高噪声、小样本、非线性的雷达目标数据给传统的轨迹预测方法带来了巨大的挑战。近年来得益于网络和硬件发展,深度学习算法被广泛应用于目标检测、情感分析、图片分类、轨迹预测等问题中,同时注意力机制进一步提高了深度算法的学习能力。本文以雷达目标轨迹的轨迹预测问题为主体,提出了一种基于注意力机制、长短期记忆网络（Long Short-Term Memory,LSTM）以及编码器解码器结构的网络,并将其应用于雷达目标炮位外推问题中。同时本文借鉴了自然语言处理领域（Natural Language Processing,NLP）最先进的研究成果Transformer和双向Transformer编码器（Bidirectional Encoder Representations of Transformer,BERT）,并将其应用于雷达目标轨迹预测问题中。同时构建了一个大型的三维雷达目标轨迹数据集,基于该数据集的大量实验证明,本文提出的方法的性能指标优于传统算法及其他深度学习算法。本文的主要研究工作如下:（1）提出了一种基于注意力机制和编码器解码器网络,用于解决雷达目标轨迹的炮位外推问题。该算法利用双向LSTM（Bidirectional LSTM,Bi-LSTM）网络对输入的轨迹序列进行编码,使用注意力机制对编码的信息进行加权求和,使用LSTM解码器网络进行解码预测。注意力机制可以让编码器解码器网络对时间序列的深层信息进行编码,实验证明,相对于传统的非线性滤波算法,该算法外推时性能指标更好,对雷达目标初始发射状态的适应性更好。（2）针对雷达目标轨迹的轨迹预测问题,借鉴了NLP领域最领先的解决方案Transformer网络和BERT,并将其应用于雷达目标轨迹预测问题。Transformer网络是一种新型的基础网络,相对于LSTM网络,Transformer对时序数据的建模能力更强,而BERT作为Transformer的双层表示网络,更是众多大型NLP任务的首选解决方案。大量的对比实验表明,在样本量充足的情况下,相对于其他算法,Transformer和BERT都表现出了更好的性能指标。（3）设计实现了基于深度学习算法以及传统算法的雷达目标外推系统仿真平台。向该系统中输入一个观测到的雷达目标轨迹,可以选择合适的算法外推出目标轨迹的发射点位置,并生成对应的指标报告。