雷达在军事侦察预警、灾害救援、环境监测、遥测遥控等领域发挥着举足轻重的作用。通过多维度数据处理,雷达可获取反映目标空/时变化特征的二维、三维图像,以实现目标识别与跟踪。典型的雷达图像主要分为空域图像、多普勒谱图等。随着电子与信息技术的不断发展,雷达可获得连续多帧的目标图像序列（例如视频SAR）,清晰准确的表征目标特征随时间变化规律,已应用于对地面、海面慢动目标的精确识别与跟踪。由于目标的雷达图像特性与光学特性存在显著差异,如何对雷达图像快速、可靠、高精度地处理,发掘出目标类属、运动状态、行为意图等信息,实现雷达目标的识别和跟踪,一直是国内外科学研究的热点和难点。深度学习技术利用大数据进行深度网络训练,解决了复杂非线性模型非凸优化问题,在音视频数据分析、图像处理等领域已取得成功应用,也为雷达图像目标识别与跟踪技术研究提供了一种可能的新途径。本文以深度神经网络为基础,针对无标签条件下SAR图像目标识别、微多普勒雷达人体行为识别、地面慢动目标跟踪等目前雷达数据处理中的难点问题开展深入研究,主要工作和创新点如下:1)针对雷达图像人工标注困难的问题,提出了一种无监督框架下的目标二元识别方法。该方法基于竞争学习思想,通过在训练过程引入特征消除、特征播种、特征萌芽、特征生长和特征嫁接五个阶段,实现了对无标注光学数据集和雷达图像数据集的二元聚类。实验表明,与联合无监督学习（JULE）、深度嵌入式聚类（DEC）等深度学习识别方法相比,所提出方法在MNIST、时尚MNIST和MSTAR数据集具有与之相近甚至更优的识别性能。2)针对超宽带雷达人体行为识别问题,提出了基于深度学习的人体行为识别多域谱图识别方法。首先,分析了人体行为的短时傅里叶变换谱图（STFT）、S变换谱图（ST）和平滑伪威格纳-维利谱图（SPWVD）特性。其次,基于二维卷积神经网络（2DCNN）、长短期记忆结构（LSTM）,提出了单谱图行为识别方法。在此基础上,提出了基于三维卷积神经网络（3DCNN）的多谱图行为识别方法。最后,结合距离维信息,提出了一种多域联合处理的人体行为识别方法。实验表明,多域联合处理识别正确率达到97.58%,相较多谱图3DCNN识别方法,正确率提高了2.33%。3)针对视频SAR慢动目标检测与定位的难题,建立了基于慢动目标SAR图像阴影特性的视频SAR动目标跟踪框架。首先,通过视频后向投影成像处理,获得配准后的视频SAR图像,并利用全卷积网络（Siamese网络）实现对视频SAR中单个动目标的阴影跟踪。然后,基于获得的跟踪轨迹,提出了动目标后向投影成像算法。仿真表明,所提框架可实现对视频SAR图像中慢动目标阴影的精确跟踪。当速度估计误差小于0.1m/s时,所提成像算法可实现对地面慢动目标的精确重建。4)针对视频SAR图像中多动目标实时跟踪问题,提出了一种视频SAR快速多目标跟踪网络。该跟踪网络基于Fair MOT框架,通过将骨干网络DLA-34、DLA-18以及多尺度特征提取模块（FMs FEM）与三元注意力机制相结合,增强有效阴影特征,显著提升视频SAR阴影跟踪性能。同时,在保证跟踪性能的条件下,优化网络结构,显著降低网络容量,提升跟踪效率。对比不同网络跟踪效率,所提出的嵌入三元注意力机制的轻量级视频SAR多目标跟踪网络的处理帧率优于DLA-34和DLA-18。对于图像大小为1088×608像素的桑迪亚（Sandia）视频SAR数据集,FMs FEM网络和嵌入三元注意力的FMs FEM网络的平均帧率分别达到60.32帧/秒和56.13帧/秒,约是其它网络帧率的四倍。综上,本文以雷达图像为研究对象,通过将深度学习处理框架与雷达回波特性深度结合,研究了雷达图像的识别与跟踪等问题,取得了一系列创新成果,为提升超宽带雷达目标识别、视频SAR目标阴影跟踪能力、慢动目标特征提取与识别能力提供了新的方法途径,也为雷达智能化技术发展进行了有益探索。