雷达杂波幅度统计模型分类是进行杂波背景下检测目标的重要步骤.雷达杂波原始数据通常是复数数据,但现有杂波幅度统计模型分类研究都是在实数数据上完成的.复数数据同时包含幅度和相位信息,更丰富的信息量有助于雷达杂波幅度统计模型分类.为此,引入复数神经网络,利用仿真杂波高分辨距离像(high res-olution range profile,HRRP)复数数据,对雷达杂波幅度统计模型分类问题进行研究,完成了以下工作:一是为构建复数最大池化层,定义并改进了复数最大池化算法,通过复数卷积神经网络(complex-valued convolutional neu-ral networks,CV-CNN)对杂波幅度统计模型的分类实验,对比了两种复数最大池化算法和复数平均池化算法的分类效果,实验结果表明复数最大池化算法的分类效果更好,分类准确率为97.29％;二是为进一步提高分类准确率,构建了复数卷积-残差网络(complex-valued convolution-ResNet,CV-CRN),通过实验对比分析了 CV-CRN的性能,实验结果表明,CV-CRN的分类性能优于CV-CNN,分类准确率达到98.84％,并具有较好的鲁棒性.