飞行目标识别是一个应用广泛的研究领域,在民航安全、国土安全、敏感区域防护等领域具有重要的研究意义。雷达散射截面(Radar Cross Section,RCS)蕴含了飞行目标的电磁散射特征和运动特征等信息,因此广泛应用于飞行目标识别。从RCS中提取表征飞行目标特征进而可靠识别目标一直是飞行目标识别领域的研究热点。传统基于RCS无线信号的飞行目标识别方法通常采用统计方法计算信号的高阶统计特征,并依据已知的飞行目标特征进行模式识别,或采用支持向量机、多层感知器等分类器区分不同类型目标。基于高阶累积量的方法对信号的平稳性、信干噪比等有较高要求,且需要飞行目标的先验知识。实际中对抗性的飞行目标(例如高空高速飞行目标、低空慢速小型目标等)识别任务中,RCS信号通常存在信干比较小、采样值缺失多、目标特征并不掌握等困难,严重影响了统计分析方法的实用性。深度学习具有优异的抽象表示能力与端到端学习能力,在计算机视觉、自然语言处理等领域得到了广泛应用。本文研究基于深度学习的飞行目标识别方法,克服传统统计方法对于信号质量的高要求,并提升飞行目标识别准确性。本文的主要工作包括:1.提出了基于空间卷积神经网络和双向循环神经网络的混合结构的深度学习模型。卷积神经网络可以很好地提取RCS中由飞行目标电磁散射特征所确定的空间特征,而循环神经网络提取RCS的时序特征,通过模型后端的全连接层将空时特征进行融合。深度学习模型将复杂的参数求解简化为了模型的端到端训练,利用神经网络优异的非线性表达能力,充分提取RCS数据的空时特征,显著提高飞行目标的识别精度。实验结果验证了该模型能可靠的识别飞行目标。2.在RCS动态仿真产生模拟信号的基础上,设计了基于迁移学习的识别模型迁移方法。数据驱动的深度学习模型的性能很大程度上取决于良好标注的海量样本,RCS实测数据需要大量的人力和物力。基于飞行目标的运动学与电磁学机理,设计了模拟生成飞行目标RCS信号的方法。基于迁移学习原理,将模拟数据集预训练(Pre-training)的深度学习模型迁移至真实数据构成的小数据集上进行微调(Fine-tuning)。实验结果表明设计的迁移学习模型能获得相似的识别性能。