机动目标跟踪和多目标数据关联一直是机载雷达数据处理领域的热点研究方向。然而,战场环境和目标的复杂性不仅导致被跟踪目标的运动状态具有不确定性,同时也造成目标量测具有不确定性,这使得传统跟踪滤波算法和多目标数据关联算法难以有效应对复杂战场环境下的目标跟踪任务。深度学习网络是基于数据驱动的,不需要提前假设杂波密度、噪声协方差和目标运动模型等先验信息,有望为复杂战场环境下机动目标跟踪和多目标数据关联提供一种新的解决方案。因此,本文开展了基于深度学习网络的机载雷达数据处理方法优化研究,用以提升目标机动状态下跟踪滤波性能和杂波环境下多目标数据关联性能。主要研究工作概括如下:1、针对传统跟踪滤波算法跟踪机动目标误差大的问题,提出了一种基于长短时记忆网络（Long Short-Term Memory,LSTM）的目标状态估计（State Estimation,SE）算法（SE-LSTM）,同时,设计一种二阶总变分损失函数使跟踪航迹更为平滑。实测数据实验表明:提出的算法能有效估计目标的状态,与经典的跟踪滤波算法和基于深度学习网络的助记卡尔曼滤波算法（Mnemonic Kalman Filter,MKF）相比,具有更小的跟踪误差,并且对机动目标有更好的跟踪鲁棒性。2、传统的数据关联算法需要提前估计先验信息,如杂波密度和目标运动模型等,然而在实际场景中很难准确地估计出这些先验信息。为了解决这个问题,提出一种基于深度学习网络的数据关联算法。针对雷达探测目标可能存在虚警和漏检的情况,引入虚拟量测这一概念重新建立数据关联模型;在此基础上,提出了基于Transformer网络的数据关联（Data Association,DA）网络（Transformer-DA）用于求解多目标与多量测的关联问题,并设计了掩蔽交叉熵损失与重叠度损失相结合的损失函数（Masked Cross entropy and Dice,MCD）来训练所提网络。仿真和实测数据实验结果表明:所提算法在不同检测概率下能够有效解决多目标数据关联问题,与经典的数据关联算法和基于双向长短时记忆网络的算法相比,具有更小的OSPA（Optimal Sub-Pattern Assignment）误差。3、设计了一种基于双向长短时记忆网络（Bi-directional Long Short-Term Memory,Bi-LSTM）的航迹起始算法,在此基础上,提出了基于深度学习网络的机载雷达数据处理优化方法,包括航迹管理、数据关联和跟踪滤波三个模块。仿真数据实验结果表明,所提方法能够有效解决复杂环境下目标数目未知的多目标跟踪问题,与经典多目标跟踪算法相比,具有更小的跟踪误差。