无人机的发展和普及给机场、军事要地以及大型水电站等重要区域带来安全隐患。因此,对于无人机的探测和管控成为急需解决的问题。雷达作为目标探测的重要手段,能接收目标散射的电磁回波获得目标的空间位置、运动状态和形状尺寸等信息,这也让无人机和鸟类等低空小目标的识别成为可能。因此,研究基于雷达信号的低小慢目标识别方法,为无人机的监管提供技术保障,具有重要的研究意义和应用价值。据此,本文主要研究了在调频连续波雷达体制下基于深度学习的低空小目标识别技术。主要研究内容如下:1.结合线性调频连续波雷达（LFMCW）的工作机制,分别对无人机叶片和鸟类翅膀建立微动模型,推导无人机和鸟类的回波公式。仿真建模得到单旋翼无人机、四旋翼无人机、六旋翼无人机和鸟类这4类目标的回波,使用短时傅里叶变换（STFT）得到这4类目标的微多普勒谱图,并利用微多普勒谱图进行目标特性分析。2.将仿真得到的4类目标微多普勒谱图作为输入,结合深度学习理论,提出了一种基于自编码卷积神经网络（DSAE-CNN）的分段式低空小目标分类识别方法。该方法考虑到多普勒谱图数据维度过大的问题,首先对微多普勒谱图进行了网格划分,并采用熵排序法选取微多普勒子图作为自编码器的输入;然后设计一个深度稀疏自编码器,采用无监督训练方法实现目标深度特征提取;最后改进了VGG模型完成目标分类。实验验证了在不同条件下DSAE-CNN的有效性。3.针对常规的机械扫描搜索雷达采集到的低数据率航迹数据,分析了数据中的目标运动特征和RCS序列特性。将先验知识提取的运动特征结合原始探测数据作为输入,提出了知识和数据联合驱动下基于多通道残差结构的MCRLNET网络。该网络的卷积层使用了多个不同尺寸的卷积核,用于完成多尺度特征提取;在不同层之间引入残差结构,避免网络的退化;采用LSTM结构获取多个时间点之间的特征关联性。在实测数据上验证了该模型的分类有效性,该模型能够达到91%以上的识别率,相比于经典机器学习算法其识别率提高至少4%。4.针对实测数据样本量较少的问题,采用孪生网络架构,将MCR网络作为其子网络,构建Sia-MCRNET网络实现小样本情况下的低空小目标分类识别。根据孪生网络的输入要求,构建对比样本数据集。对比小样本情况下Sia-MCRNET与MCRLNET的识别结果,验证了Sia-MCRNET的有效性。