近年来,小型无人机由于机动性突出、价格低廉、易于控制、不易被探测的特性在生产和生活中得到了广泛的应用,但无人机的泛滥使用对人们的生产生活带来了严重安全隐患,同样给空中安全管制带来了巨大的威胁。因此无人机的防患成了亟待解决的问题。近年来,人们对雷达系统探测和识别无人机进行了广泛研究,但由于小型无人机的雷达散射截面(RCS)较低,与传统飞机相比飞行高度较低、速度较慢,属于典型的“低小慢目标”,利用传统的方法很难将其从复杂的地杂波背景中检测出。无人机微动特征包含了无人机特有的运动信息,本文通过结合无人机的微动特征、时域和频域特征,围绕着旋翼无人机的目标识别与参数估计进行研究,主要研究内容如下:⑴首先在分析刚体转动微多普勒基础上介绍旋翼无人机的旋转叶片回波数学模型,并在此基础上推导多旋翼无人机旋翼雷达回波信号。接下来分析了各个参数对旋翼无人机的时域、频域及时频特征的影响。并研究了不同时频算法对描述旋翼无人机的适用性及性能。⑵为解决旋翼无人机分类与参数估计问题,引入Radon变换算法及图像边缘检测算法。利用Radon变换能对直线和边缘进行快速检测、抗噪能力强的特点,对时频信号做Radon变换。同时,利用PCA算法对时频数据及Radon变换数据降维和去噪,并通过K-近邻分类算法对无人机旋翼个数及叶片个数进行分类。然后基于自相关函数,估计出旋翼旋转频率,最后通过边缘检测算法估计出旋翼无人机旋转引起的微多普勒频率展宽值,从而估计出旋翼叶片的长度,最终完成对旋翼无人机的目标分类及参数估计。⑶针对低信噪比情况下旋翼无人机特征提取与参数估计中的不足,提出了一种基于BP与CNN相结合的旋翼无人机分类与参数估计算法,使用卷积神经网络提取时频信号及Radon变换信号特征,使用BP神经网络提取时域信号及频域信号特征。然后通过全连接层将BP神经网络与卷积神经网络的特征提取结果融合,最终实现旋翼无人机目标识别与参数估计。由于在特征提取中,保留了时域信息、频域信息、时频信息以及Radon变换域信息,采用了改进的神经网络,因此该方法提高了低信噪比下旋翼无人机分类准确率与参数估计精度。