跑道外来异物（Foreign Object Debris,FOD）是指出现在机场跑道上并可能对飞行器造成损害的物体。目前多采用人工巡视结合光学系统探测FOD,但会受到气象和光照条件制约,相比之下雷达因具有全天时全天候工作的特点受到广泛关注。本文围绕机场跑道低信杂比条件下雷达检测FOD问题,系统研究了其地杂波特性和杂波背景下的目标检测方法。第一章首先阐述了课题的研究背景和意义,分析了FOD对航空安全的危害,以及对FOD检测技术的迫切需求;接着分析了当前FOD检测系统的性能,研究了FOD雷达检测关键技术、发展历史和现状,最后给出了论文的研究思路。第二章分析了机场跑道雷达散射特性并研究其杂波统计建模方法。首先介绍了跑道后向散射系数的经验模型及拟合方法,基于实测数据分析了符合机场跑道的模型阶数优化组合。为描述混合杂波的概率密度分布,提出了一种复合Weibull模型,针对传统参数估计方法无解析解、定义域内无数值解或有解不收敛的问题,提出了基于矩估计和牛顿迭代法的快速估计算法。最后介绍了“暗室半空间实验平台”和数据测量方法,暗室测量数据实验结果验证了单一环境的杂波功率服从传统双参数Weibull分布,复合Weibull模型能够描述混合杂波功率的概率密度分布,同时也验证了所提参数估计方法的有效性。第三章研究了基于杂波图恒虚警（Clutter Map-Constant False Alarm Rate,CMCFAR）的FOD检测方法。研究分析了CM-CFAR点技术和面技术的性能,针对杂波边缘的弱目标检测难题,提出了基于变量索引（Variability Index,VI）和单元平均CM-CFAR的检测方法,在均匀杂波背景下采用Student-t分布门限,在杂波边缘自适应地修正门限,改善了弱目标检测性能。提出基于CM-CFAR双门限的多帧联合检测方法:基于二维VI指示的杂波条件,在杂波边缘采用双门限进行多帧检测,融合多帧判决结果,实现了弱目标在杂波边缘的检测。实测数据实验验证了上述两种检测方法相比传统CM-CFAR弱目标检测能力的提升。第四章针对动FOD检测问题,研究了跑道环境知识辅助（Knowledge Aided,KA）的空时自适应处理（Space-Time Adaptive Processing,STAP）技术。首先建立正侧视观测模型,采用矩形虚拟散射单元分割场景,提出了跑道环境知识辅助的杂波协方差矩阵估计方法,该方法避免了非均匀环境下独立同分布样本不足导致STAP性能下降的问题。随后研究了KA-STAP算法,分析了系统的损失函数、改善因子、最小可检测Doppler等性能指标。针对多输入多输出系统等效阵列虚拟阵元可能冗余,导致实际分辨率下降问题,提出了阵元最小冗余的STAP方法,减少了系统处理维度,提高了系统输出信杂噪比。提出了基于差分阵列扩展的STAP方法,以三种非均匀线阵为例分析了KA-STAP性能。仿真结果证明了上述三种KASTAP方法在杂波抑制、动目标指示的有效性和费效比优势。第五章研究了基于深度神经网络的跑道环境感知和FOD检测技术。首先研究了基于卷积神经网络（Convolutional Neural Network,CNN）的杂波感知方法,分析了超参数对网络性能的影响,构建了基于滑窗重构输入序列的数据强化方法,实验验证了该方法能够提升杂波分类准确率、加快网络收敛速度、降低迭代初值对分类结果的影响。针对统计样本缺失的问题,提出了基于条件变分自编码器（Conditional Variational Auto-encoder,CVAE）的杂波概率统计模型重构\生成方法,提出了擦地角标签的改进融合方法,实验结果表明该方法提高了输出模型的可靠性。提出了基于CNN迁移的FOD目标的检测方法,用差异较大的目标回波作为源域数据训练网络,迁移后能检测未知FOD目标,微调参数能够克服数据差异,研究了多尺度卷积核复用的方法,实测数据实验验证了基于网络迁移的FOD检测方法的有效性,验证了多尺度卷积核复用的网络结构的检测性能更优。第六章总结了全文研究工作,并指出了进一步研究的问题。