目标的微多普勒调制效应包含了目标微动部件几何结构及微运动等细节信息,其为雷达自动目标识别提供了新的途径。三类飞机目标(直升机、螺旋桨飞机、喷气机)微动部件的结构,如旋翼长度、转速、个数均具有明显差异性,导致其窄带雷达回波中的微多普勒调制特性各不相同,可据此从回波中提取相关特征,实现对三类飞机目标的分类。常用的分类特征包括反映目标微动部件物理结构参数的物理机理特征以及不具有明确物理含义的数据驱动特征。本文针对这两类特征进行研究,分别提出了相应的特征提取方法。内容概括为如下三个方面:1.在窄带雷达远场的实际工作场景下,基于飞机目标参数化微动部件的坐标系,分析推导了飞机微动部件的回波模型;利用电磁仿真软件检验了该模型的有效性;分析了直升机、螺旋桨飞机、喷气机微多普勒调制特性的差异。2.对现有飞机目标旋翼物理参数提取方法的适应场景进行分析,指出其要求的高重频条件在实际中往往难以满足。针对该问题提出一种较低重频条件下的旋翼物理参数特征提取方法。该方法首先通过重频抖动的方式获取非均匀采样回波;再利用时频分析中滑窗内信号的短时稀疏性,借助稀疏重构算法恢复出无模糊条件下的时频谱,最后基于该时频谱提取瞬时多普勒曲线并反演出旋翼的物理参数。仿真实验结果表明该方法在能够在平均重频较低的条件下实现对飞机旋翼物理特征的提取。3.传统数据驱动特征过于依赖人为设计,一方面在不同波段的雷达数据间通用性较差,另一方面对特征提取人员也提出了较高的要求。针对该问题,本文研究了基于深度网络的数据驱动特征提取方法。深度网络具有强大的非线性特征提取能力,在图像,语音等领域已取得优于传统方法所提取特征的效果。文中分别提出了基于卷积神经网络和深度置信网络的特征提取方法,并比对了其与经典数据驱动特征在多种不同实验条件下的性能,结果表明基于深度网络所提取的特征,在短驻留以及低信噪比条件下具有更好的分类能力。