自适应目标检测是雷达信号处理领域的一个重要研究方向,是雷达诸多功能实现的前提。对于噪声协方差矩阵（Noise Covariance Matrix,NCM）未知的目标检测问题,通常需要训练数据对NCM进行估计。一般情况下,需要至少两倍系统自由度的训练数据样本来估计NCM才能将损失控制在3d B以内。实际应用中,由于复杂的环境地形等原因,通常难以获得足够的训练数据样本。当训练数据数量（Amount of Training Data,ATD）很小时,传统检测器的检测性能会显著下降。本文针对小训练数据样本下的自适应目标检测问题展开研究,研究内容及创新如下:（1）针对小训练数据样本下的子空间点目标的检测问题,本文通过将斜对称结构和降维方法结合,提出了一种斜对称降维检测器。该算法首先假设导向矢量和NCM满足斜对称性质,通过特定的线性变换对测试数据和训练数据进行处理,然后引入降维算法,将数据投影到信号子空间,对系统进行降维处理,最后根据广义似然比准则（Generalized Likelihood Ratio Test,GLRT）设计检测器。理论推导证明了提出的检测器对于噪声具有恒虚警率（Constant False Alarm Rate,CFAR）特性。仿真实验结果表明了该检测器相对于现有的同类型检测器有更高的检测概率且对于ATD的需求量更少。（2）针对导向矢量部分已知的分布式目标检测问题,提出了基于斜对称结构的降维算法,设计了四种检测器。该算法首先假设导向矢量和NCM满足斜对称性质,探索结构信息,然后将数据投影到信号子空间,从而降低数据的维度,最后基于GLRT准则,两步GLRT准则和Wald准则分别在均匀和部分均匀环境下设计了检测器。通过理论验证,提出的检测器对于噪声具有CFAR特性。仿真实验结果证明了在训练数据不足时,提出的检测器比现有的检测器有更好的检测性能,并且在失配的情况下具有更好的鲁棒性。（3）针对训练数据不足且没有结构先验信息的目标检测问题,提出了一种新的降维方法。该方法先把测试数据和训练数据按行进行适当的分割并且保证导向矢量在分割后仍然满足列满秩。然后对分割后的每一组数据都进行目标检测,最终的检测结果是所有数据组检测结果的综合。数据通过分割之后降低了数据的维度从而减少了对ATD的需求。仿真结果证明了训练数据不足时,该降维方法可有效提高检测器的检测性能。