基于红外探测的空间目标识别技术在导弹防御系统中占据重要位置,对于国家的安全具有重大意义。在人工智能快速发展和智能化作战的需求下,基于数据驱动建立智能的识别系统,实现自动目标识别是当下急需解决的问题。本课题以红外目标识别任务为背景,针对识别系统存在的难点问题,开展了基于深度卷积神经网络(Convolutional Neural Networks,CNNs)的空间红外目标识别研究。论文主要围绕以下四个方面展开:第一,空间目标的红外辐射强度序列模型研究。分别从空间目标的温度模型、轨道运动以及投影面积模型三个方面对空间目标进行分析与建模。根据目标微动动力学模型,通过欧拉角表示,建立了惯量参数与微动周期之间的数学描述,分析了目标惯量参数对姿态运动方式以及红外辐射强度序列的影响。进一步探讨了影响目标辐射强度序列变化的主要因素,仿真生成了目标的辐射强度序列,为后续研究提供理论依据和数据基础。第二,基于多尺度卷积神经网络(MCNN)的目标辐射强度序列分类研究。针对远距离探测强噪声水平下的目标分类问题,提出一种多尺度卷积神经网络结构。网络结合多时间尺度和多频率尺度变换,通过局部卷积和完全卷积,使得底层特征和顶层特征同时用于序列的长期趋势和局部波动的捕捉,学习更为丰富的特征用于分类。在UCR时间序列公用数据集和目标仿真数据集上对其性能进行了评估,结果表明采用MCNN相比传统CNN有效提高了空间目标在强噪声水平下的分类性能。第三,基于序列二维表示的红外目标分类研究。针对目标数据缺失情况下的分类问题,提出一种基于序列二维表示重构的分类算法。首先构建了红外辐射强度序列的二维表示模型,然后采用降噪自编码器对缺失序列二维表示进行重构,最后基于重构递归图表示采用MCNN进行分类。基于递归图的表示通过递归矩阵建立不同时刻之间的相关性,能够显式表征目标辐射强度序列的结构模式以及产生目标辐射强度序列的系统的动态特性,相比原始时间序列在序列重构上具有更稳定的性能,同时简化了后续分类算法的特征学习。在UCR时间序列公用数据集和目标仿真数据集上的结果表明基于递归图的表示方式在序列重构和分类上表现更佳,基于降噪自编码器的序列重构通过缺失值恢复进一步提高了空间目标识别系统在数据缺失情况下的稳定性。第四,CNN在目标辐射强度序列分类上的可解释性及迁移学习研究。针对CNN在空间目标识别问题上的可解释性,采用类激活映射技术定位原始序列中对分类具有贡献的位置区域,有助于更好地理解模型的决策过程。在此基础上,针对少量标签数据时识别系统的自适应问题,提出了基于注意力机制模型迁移的序列分类框架,模型采用注意力机制捕捉重要信息构建通用的特征提取模块,通过在相似数据集上进行模型迁移解决少量标签下的特征学习,分别在公用的时间序列数据集上和目标仿真数据集上进行实验,结果表明采用注意力模块的CNN相比无注意力模块的CNN,分类精度得到进一步提升;在有限样本条件下,基于注意力机制的CNN模型在相似任务上的迁移通过微调最后一层网络能够取得较好的分类性能。