弹道导弹凭借其射程远、威力大的优势成为现代军事斗争中举足轻重的战略威慑武器,因此研究弹道导弹防御技术对于维护国家安全稳定具有至关重要的意义。弹道导弹为了提高突防能力,在中段飞行过程中会释放大量诱饵,对中段反导系统造成严重的干扰与影响。而该突防过程中弹头与诱饵的识别是弹道导弹防御系统中的核心环节,它是在对抗环境下对真实目标与干扰目标进行准确区分的过程。红外成像目标识别方法通过研究中段目标群中不同目标之间光学强度信息的差异性完成识别工作,然而目标群与探测器平面距离较远时只能观察到一组运动轨迹相似的点目标群,该特殊情况下系统无法获取准确的目标外形与基本结构等重要信息,仅能得到弹道目标群辐射出的红外能量随时间变化的规律。考虑到弹道目标红外辐射特性容易受到各种因素的影响,且目标群的灰度时间序列的非线性特性十分突出,故难以利用传统方法获得序列变化信息与目标种类之间复杂的联系关系,因此可借助神经网络方法通过大样本学习准确提取中段目标群灰度时间序列中包含的目标特征信息并简化识别系统的复杂度。本文针对中段弹道导弹拦截系统的研究背景,研究了基于红外辐射变化波形的弹道目标识别神经网络算法。文章首先分析了课题的研究背景与意义,综述了中段弹道目标识别技术与神经网络算法的研究现状,并介绍了本文的研究内容与结构安排。其次根据中段弹道目标不同的目标几何特征与姿态运动特征,利用节点热网络法求解空间弹道目标表面温度场信息并获得不同弹道目标的红外辐射特性,进而得到大量目标灰度时间序列;针对弹道目标灰度时间序列的分类问题,借助神经网络强大的自适应学习能力,通过构建卷积神经网络与径向基神经网络模型,并对该模型进行大容量训练样本的学习使其充分学习到弹道目标群灰度时间序列的不同特征,进而完成对弹头与诱饵目标的准确识别任务。在神经网络分类性能改进方面,针对卷积神经网络分类层Softmax分类器非线性分类能力有限的问题,本文利用支持向量机对卷积神经网络模型中的Softmax分类器进行替换;针对径向基神经网络难以得到全局最优解的缺点,本文提出了一种基于极限学习机优化的网络训练算法,增强网络全局寻优能力,进而提高网络识别性能。最后总结全文,探讨了弹道目标防御系统中目标识别技术的发展趋势,并对今后的研究方向提出了一些参考意见与想法。本文通过仿真证明了卷积神经网络与径向基神经网络应用于弹道目标识别问题的可行性,同时借助试验结果验证了相关改进算法在测试集上具有较高的识别率,且网络规模明显优于其他算法。