地面慢速目标识别是雷达目标识别的重要组成部分,在战场监视和安保防卫领域具有巨大的应用价值。行人和车辆是地面监视雷达的主要监视对象,其包含着丰富的微运动,可为地面慢速目标的类型判别和运动状态判定提供有效的特征信息。因此,利用地面慢速目标的微多普勒特性差异进行地面慢速目标的识别是目前的研究热点之一。同时,随着算法的发展和图形计算单元效能的提升,深度学习方法逐渐应用于雷达目标识别领域。因此,研究基于深度学习的地面慢速目标分类及精细化识别具有重要的意义。深度学习方法能够对样本特征进行自主学习,但其获得的特征缺乏物理属性的支撑,因此,如何设计融合网络将物理特征和深度网络进行有机结合以提升对地面慢速目标的识别精度是亟需解决的一个难题。由于录取难度大、周期长,地面慢速目标实测数据难以获得,训练过程易发生过拟合,需要对现有样本库进行增强,使深度网络充分学习样本深层次特征,提升识别精度。除了对地面慢速目标的类型进行判别外,还需要对其微动部件进行精细化识别,从而为地面慢速目标运动参数提取及运动状态预测提供有力支撑。本文在军委科技委课题和国家自然科学基金青年基金课题的资助下,结合地面监视雷达系统对目标探测与识别的实际应用需求,开展了基于深度学习的地面慢速目标分类及精细化识别的研究,重点研究了基于深度融合网络的地面慢速目标识别、基于生成式对抗网络(Generative Adversarial Network,GAN)的地面慢速目标雷达回波数据增强和基于改进全卷积网络(Fully Convolutional Network,FCN)的行人微动部位精细化识别。主要研究内容包括:(1)由于行人和车辆目标具有丰富的微运动,同时,不同的微运动对应不同的微多普勒特性。因此,利用地面慢速目标的微多普勒特性差异是研究地面慢速目标分类和识别的重要前提。首先提出了基于改进生物力学模型的持械行人雷达回波建模方法和基于运动捕获数据和电磁散射特性的行人步态雷达回波生成方法;其次,利用时频分析工具对其微多普勒特性进行分析;最后,建立了地面慢速目标时频谱图样本库,包括基于改进生物力学模型的行人是否持械的样本库、基于运动捕获数据和电磁散射特性的行人不同步态样本库和基于连续波雷达的实测行人与车辆样本库。地面慢速目标时频谱图样本库的构建为后续基于深度学习的地面慢速目标识别、地面慢速目标雷达回波数据增强算法和行人微动部位的精细化识别等研究奠定了基础。(2)针对深度学习算法所提取的特征可解释性不强、有效性不稳定的问题,提出了基于深度融合网络的地面慢速目标识别算法。首先,对目标雷达回波样本进行手工特征提取,形成一维特征向量;其次,使用卷积神经网络(Convolutional Neural Network,CNN)构建目标识别网络;然后,在该网络中引入特征融合的结构,将手工提取特征与深度学习提取的特征通过全连接层进行融合;最后,使用测试集评估识别算法的性能。通过不同训练集比例和不同信噪比条件下原网络和所提出的深度融合网络的对比实验,验证了所提出算法的有效性。(3)针对实测数据录取难度大、周期长,现有地面慢速目标样本库难以满足深度学习需求、导致模型泛化能力差的难题,提出了基于韦氏距离生成式对抗网络(Wasserstein GAN,WGAN)的地面慢速目标雷达回波数据增强算法。首先,研究了GAN的基本原理,从损失函数的角度分析了 GAN存在训练不稳定问题的原因;其次,基于WGAN构建了地面慢速目标雷达回波数据增强网络,基于所获得的生成模型对原始数据集进行了扩充;之后,通过图像评价指标衡量了生成样本与真实样本的分布差异;最后,在不同信噪比条件下对比了基于原有样本和增强样本的目标识别效果。实验证明,生成样本在一定程度上学习到了真实样本的数据分布,使用生成样本对原有数据集进行增强,提升了识别算法的有效性和鲁棒性。(4)针对行人微多普勒信号在时频域互相混叠,难以精细化识别的挑战,提出了一种基于改进FCN的行人微动部位精细化识别算法。首先,在原有的基于生物力学模型的行人不同步态样本库、基于运动捕获数据和电磁散射特性的行人不同步态样本库的基础上,建立行人12个微动部位的微多普勒时频样本库,作为精细化识别的标签;其次,构建了一种基于改进FCN的行人微动部位精细化识别网络,对行人各微动部位的微多普勒信号进行分离及精细化识别。最后,为定量评估所提出精细化识别算法的有效性,使用若干评价指标对预测分离信号和真实分离信号的差异进行了计算。