微运动所导致的雷达回波微多普勒效应被发现之后,雷达目标分类识别又增加了新的信息来源,使得可以通过信号处理的手段从雷达回波信号中提取出表征目标微动部件运动情况的时频谱图,而这些信息是很难从距离向或者方位向单一维度中的雷达回波中获取的。行人与车辆的自动识别在窄带地面监视雷达信号处理方面具有广泛的应用需求,具有目标识别能力的地面监视雷达可以显著提高军事装备的自动化程度,排除操作员的人为误差,为正确的军事决策提供支持。本文结合实际应用需求,详细分析了行人与车辆的多普勒特性的差异性,利用神经网络等智能信号处理方法,对基于微多普勒的目标检测与分类技术进行了系统的研究,所取得的研究成果为:(1)对基于线性调频连续波体制的雷达信号处理以及微多普勒特征的提取方法进行了研究。研究讨论了多周期信号模型与差拍信号的频率响应特性,为后续的信号处理提供理论支撑。针对人车分类的回波信号预处理问题,指出需要在杂波抑制的同时,还需最大限度的保留信号中微多普勒分量,研究了基于CLEAN算法来抑制杂波,增大目标的信噪比。同时重点研究了微多普勒的数学模型,分析比较了行人与慢速车辆在微多普勒谱上的差异性,表明基于微多普勒谱进行目标分类的可行性。(2)深入研究了神经网络算法。详细推导了用于训练神经网络的后向传播算法,并讨论了超强的大型神经网络模型的表征能力,以及由此所带来的过拟合问题,并讨论了相应的解决办法——规则化方法。接着,由普通神经网络发展到自编码神经网络和稀疏自编码器神经网络,以及它们的训练算法。然后,论述了它们所能够进行的表征学习的概念以及优越性。同时,还研究了深度神经网络中经常用到的卷积神经网络的概念以及数学模型。在人车微多普勒谱图的分类问题上,提出基于稀疏自编码器与卷积神经网络的行人与车辆自动分类方法,该方法可以在没有人工参与的情况下,完成特征学习以及目标分类。(3)深入研究了训练神经网络所需的非约束问题优化方法。推导了包括最速下降法、牛顿法、拟牛顿法的理论依据,并进行了仿真测试,明确了它们的应用范围以及优缺点,为快速的训练本文所述算法提供理论指导。(4)与传统上雷达目标识别算法依赖于人工提取特征或复杂的先验信息不同,本文提出了一种新的基于特征自提取的地面慢速目标窄带雷达分类识别算法。同时,本文详细的分析了如何将稀疏自编码器应用于时频谱图的具体方法,包括数据的归一化与数据白化处理,如何将稀疏自编码器与卷积神经网络进行联系,最终实现地面慢速目标的分类识别。并通过实测数据处理实验证明了本文所提出的新算法可以有效地实现行人与车辆的自动分类。