齐美彬，李亚斌，项厚宏，杨艳芳，张学森

（1.合肥工业大学计算机与信息工程学院，安徽合肥 230009；2.中国电子科技集团公司第三十八研究所，安徽合肥 230088）

0 引 言

近年来，小型无人机等一系列低空慢速的小目标的研发实现了较快的发展，其数量也日益增多。为了更好地防止低空事故的发生，如何检测到这些弱目标，成为了近年来雷达领域的热点之一。但是在雷达目标检测中，弱目标因其散射截面积（Radar Cross Section, RCS）小，信噪比（Signal to Noise Ratio,SNR）低，给检测任务带来了巨大的挑战。

传统雷达弱目标的检测大多采用恒虚警方法（Constant False Alarm Rate, CFAR）［1-2］实现目标的定位。但是，由于其回波能量小于周围杂波与噪声，引发大量虚警、漏警现象。该方法的性能过分地依赖于门限值的设定，对目标检测结果造成一定的干扰。

由于卷积神经网络（Convolutional Neural Network，CNN）［3-4］具备良好的特征提取能力，其已经成功在计算机视觉、自然语言处理等多个领域取得了良好的性能。受到基于深度学习的视觉目标检测成果［5-8］的启发，在卷积神经网络应用于雷达目标检测方面，本文进行了初步探索。

文献［9］设计了一种基于CNN 的检测器实现雷达目标的检测。与传统CFAR 检测器不同，该方法通过使用窗口函数在距离-多普勒（Range-Doppler,RD）图上滑动，根据网络学习到的窗口内的雷达信号特征，来判断滑窗内的RD 图是否包含目标。该检测器采用两个卷积层和两个池化层去提取雷达信号特征。RadCNN［10］在文献［9］的基础上，加深了网络的卷积层至四层，并采用动量随机梯度下降法对网络进行训练。……