微动指目标或目标的组成部件除了质心平动之外的转动、振动以及其他小幅运动,是雷达目标识别的重要信息来源,对其进行特征提取与识别对目标探测、跟踪和辨识分类具有重要意义。当空间目标为非合作目标时,其通常采取多目标、诱饵或干预、藏匿与低空等措施,对目标微动特征提取与识别带来了巨大的挑战,需要创新微动特征提取与识别理论与方法。随着深度学习等人工智能技术的发展以及空间目标雷达观测数据的不断积累,基于数据驱动的空间目标雷达微动特征提取与识别方法成为当前研究热点,在工程实践中极具应用潜力。为了实现空间目标微动特征有效提取与精确识别,基于空间目标雷达微动建模的理论分析,依托大量空间目标雷达观测数据,研究了基于数据驱动的空间目标微动特征提取与识别。一方面,利用经验模态分解方法对空间目标微动信号成分进行有效的分离,进而对目标的微动参数进行高精度反演;另一方面,以空间目标雷达观测数据为输入,利用残差网络学习典型目标微动特征,从而提高目标识别效果。仿真结果表明,相比时频分析等传统微动特征提取方法,经验模态分解方法能够准确的提取空间微动目标的自旋、进动等多项微动参数;相比支持向量机等传统识别方法,训练得到的残差网络能够显著提升目标分类识别精度;基于经验模态分解的微动特征提取与基于残差网络的分类识别相辅相成,共同构成了基于数据驱动的空间目标雷达微动特征提取与识别方法,提升了雷达空间目标提取与识别性能。本文主要研究了基于数据驱动的空间目标雷达微动特征提取与识别新方法,主要工作和创新点如下:（1）提出了基于经验模态分解的雷达微动特征提取方法。由于空间目标回波为多分量信号,针对传统时频分析方法面临时频分辨力低、存在交叉干扰等问题,提出了微动特征提取的经验模态分解方法,该方法避免了信号模型约束,实现了完全数据驱动,获得本征模态函数能够更准确的表征微动特征。（2）提出了基于残差网络的空间目标识别方法。从雷达观测数据出发,结合微动特征提取,设计用于训练的数据集;构建残差网络,利用上述数据集对其进行训练,通过与传统支持向量机方法的对比可知,该方法实现数据自适应的前提下,提高了目标识别精度。