对雷达回波信号中的微多普勒特征提取及分析,是识别飞行目标的重要方法。本文针对旋翼无人机和鸟两种飞行目标,通过提取雷达回波信号中的微动特征,结合人工智能技术,实现飞行目标识别。本文采取建模仿真的方法去研究分析,分别对旋翼无人机旋桨桨叶和鸟的翅膀建立微动数学模型,通过短时傅里叶变换(STFT)、魏格纳-威尔分布(WVD)、短时分数阶傅里叶变换(STFRFT)三种时频分析方法得到微动产生的微多普勒时频谱图并分析,将选好的时频谱图作为机器学习的样本,由表征学习算法对时频图差异性特征学习再由卷积神经网络去分类。通过时频分析和深度学习方法的结合实现了对飞行目标智能识别分类的系统研究,研究得出的结论如下:1)对旋翼无人机和鸟的微动建立了数学模型并分析微动特性,为后续信号集的获取提供依据。首先把飞行目标用点代替,经过平动和旋转两个过程,得出多普勒信号中存在微动分量信号,然后再以旋桨桨叶和鸟翅膀的运动建模得出两种飞行目标的微动回波信号。2)对时频谱图的选择。通过STFT、WVD、STFRFT三种时频方法对微动回波信号时-频分析,对比得出,STFRFT方法更好,STFT方法次之,WVD方法不适用。3)对图像表征提取和卷积神经网络算法研究。首先将得到的时频谱图预处理,选用稀疏自编码器算法对时频谱图特征提取,采用卷积神经网络实现分类识别,仿真结果为:二叶旋桨无人机的识别率达到97.32%,三叶旋桨无人机的识别率达到97.01%,鸟的识别率达到95.23%。