曹展家，师本慧

(中国电子科技集团公司 第五十四研究所，石家庄 050081)

0 引言

雷达作为一种预警探测手段，利用电磁波来获取目标的距离、方位、速度等信息，在战场侦察、航空管制、敌我目标识别等方面发挥着不可替代的作用[1-2]。现阶段主流的雷达目标检测技术多采用能量检测的方式，即统计杂波和回波噪声的能量来确定出一个门限值从而检测出雷达回波中的目标[3-6]。但在城市等复杂环境下，以无人机为例，这种低可观测性目标的回波通常会淹没在强噪声背景中，由于目标回波信噪比较低，即便采用恒虚警检测(CFAR， constant false alarm rate)技术依然会有较强的噪声干扰，从而影响对目标的检测率[7-8]。支持向量机[9](SVM， support vector machine)是一种经典的机器学习算法，近年来也被应用到雷达目标识别中，可以实现高纬度特征空间的分类，难点在于人工提取特征的复杂度以及对特征的选择难度。

深度学习是机器学习的一个分支领域，以神经网络为主要模型，通过构建一系列连续的表示层从训练数据中自动学习到特征表示，实现从输入到目标的映射[10-11]。鉴于目前深度学习在计算机视觉、机器翻译等方向获得了突出的成就，研究人员们也开始在雷达目标检测识别中尝试引入深度学习[12-15]。文献[12]利用卷积神经网络(CNN，convolutional neural network)设计了一种CNN检测器，以距离-多普勒图像切片作为网络的输入，确定频谱中是否包含目标回波或仅噪声，可以替代CFAR检测器。文献[13]采用一种多尺度卷积模块增加了卷积神经网络的深度，在SAR图像集上实现了高准确度的目标分类。……