近年来无人机与智能汽车等技术发展迅速,但也带来了无人机“黑飞”或行人等难以有效检测的问题,因此对无人机、行人等慢速运动目标的有效检测显得愈发重要。但在此类环境中进行目标检测时,运动目标时常受到强背景杂波的影响,同时目标具有运动速度慢,且雷达截面积（Radar Cross Section,RCS）小等特点,导致回波能量微弱,极易被地面强杂波所“淹没”,使得目标检测变得困难。因此本文针对强杂波环境下慢动目标检测的问题进行研究,重点研究了基于深度学习的目标检测方法,并通过仿真实验和实际数据进行算法验证。论文主要内容如下:1、阐述了强杂波环境下慢动目标检测技术及基于深度学习方法的国内外研究现状;介绍了瑞利杂波的统计特性与其常见仿真方法;介绍了杂波环境下传统检测方法的基本原理,并对动目标指示（Moving Target Indicator,MTI）、动目标检测（Moving Target Detection,MTD）算法,以及基于子空间的方法进行了分析。2、阐述了常见的深度学习框架,具体分析了卷积神经网络结构,并给出了一种多维特征融合的卷积神经网络目标检测方法。该方法首先通过对回波信号进行预处理,从多个域上解析回波信号,并选取其不同维度的特征,然后结合卷积神经网络进一步深层提取回波信号在多个域上的特征信息并进行特征融合,最后实现对目标的有效识别检测。实验结果表明该方法在强杂波环境下对慢动目标的检测,表现出了较好的准确率,提高了目标检测性能。3、针对强杂波背景下慢速运动目标检测的问题,基于深度学习理论,设计了深度神经网络的点目标检测方法。基于深度卷积神经网络（Deep Convolutional Neural Networks,DCNN）设计慢动目标检测方法,是将回波信号距离-多普勒谱作为输入,利用深度神经网络学习回波信号中的杂波特征,并隐含的去除运动目标成分,最后输出回波信号的残差谱,并利用残差谱进行背景对消,抑制回波信号中的杂波,进而检测出运动目标;另外还设计了一种基于深度卷积自编码器（Convolutional Auto-Encode,CAE）的目标检测方法,其通过编码器对距离-多普勒谱中的目标信号成分和杂波成分进行特征学习,并提取运动目标信号隐含特征,然后反卷积层作为解码器以重构并恢复目标信号。其网络中采用了双通道的结构以提取目标回波的幅度和相位特征,并设计了跳跃连接结构将网络顶层与底层跳跃连接以增强目标信号在解码器中的恢复,减轻了梯度消散问题,使得神经网络训练时更加高效。实验结果验证了基于深度神经网络目标检测方法的有效性,及较传统方法有更好的性能表现。