现代窄带雷达能够获取包含目标自身特性的回波信号,在这个特定条件下,窄带雷达目标分类技术得到了空前的发展。传统的窄带雷达目标分类方法通过对目标回波信号进行分析,在时域、多普勒域等某一个特征域内提取典型特征,然后将特征输入到分类器实现目标分类。但是单一域的特征不足以反映目标的全部特性,且对特征域的质量具有依赖性,最终会影响分类性能。相对而言,多种不同特征域的不同特征,既可以相对全面地反映目标特性,又可以增强分类效果的鲁棒性。而将多种不同特征域的不同特征进行融合是个复杂的问题,传统的融合方法已经不能满足需求。因此,本文主要针对多域特征的特征融合问题展开研究,论文的主要工作内容如下:1、针对窄带雷达目标分类方法中的多域特征融合问题,提出了分层特征融合网络。该分层特征融合网络由两层网络组成,分别为域内融合网络和域间融合网络。域内融合网络是在保证可分信息不丢失的前提下,减少每个特征域特征的冗余信息。域内融合网络主要由自编码器构成,同时,为增加域内融合后特征的可分性,引入类内类间比约束。域间特征融合网络通过多层感知机融合不同特征域的融合特征,最后获得分类结果。域内融合网络和域间融合是同时优化的,且特征融合和分类器相互结合。该方法在地面和空中两个实测窄带雷达数据集的识别率分别为90.28%和96.41%,超过现有窄带雷达方法,验证了该方法在窄带雷达分类中的准确性和可泛用性。2、传统特征融合方法通常是对离散特征进行加权相加,然后进行非线性变换,从而达到融合特征的目的。而对于离散特征的二阶项和高阶项等乘法运算较少考虑。特征的加法运算更偏向于特征的并集,使得较大特征值对于融合影响相对大;而特征的乘法运算更偏向于特征的交集,使得两个特征值都大的特征组合对于融合的影响相对大。尽管上述的分层特征融合网络对于窄带雷达目标分类具有非常高的识别率,但是依旧存在改进的空间。本文综合考虑加法运算的特征结合方式和乘法运算的特征结合方式,改进分层特征融合网络。该方法在域间融合网络增加二次项融合,该二次项综合考虑域内融合特征的所有二阶组合情况,使得域间融合更加充分。本文基于地面和空中两个实测窄带雷达数据集进行实验,识别率分别为90.90%和97.82%,证明了该方法的可靠性。