穿墙雷达定位(through-the-wall radar imaging,TWRI)是电磁逆散射问题中的一种,是根据已知的入射电磁场和采集到的散射回波,探测墙体或障碍物后方目标的物理(或几何)特性,包括目标的位置、大小、形状、数目甚至电磁参数等。该技术可以满足震后救援、城市反恐、目标识别、城市巷战等多样化的探测需求,对应用科学有着重要的实际意义。近年来,由于计算机技术的飞速发展,伴随着机器学习研究热潮的到来,将机器学习应用于穿墙雷达是一个十分新颖且具有探索性价值的研究方向。本文主要从机器学习方法、墙体参数预测、墙后目标定位等方面开展相关研究工作,主要研究内容包括:1、介绍了常规支持向量机(Support Vector Machine,SVM)、最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)以及极限学习机(Extreme Learning Machine,ELM)三种机器学习方法的基本理论,详细推导了相关训练算法。2、提出了一种利用机器学习来预测墙体参数(相对介电常数、厚度以及电导率)的方法。实验通过两种不同的支持向量机(支持向量机SVM;最小二乘法支持向量机LS-SVM)训练预测模型,通过模型预测多组墙体参数以验证此方法的可行性和高精度性。考虑到实际应用,仿真还验证了在墙后存在干扰目标情况下的预测结果,结果表明在此情况下也能够很好的预测墙体的相对介电常数与厚度。3、利用支持向量机解决墙体后方目标的定位问题,结果表明此方法能够在三维环境中有效的预测目标的位置。在墙后存在多个目标的情况下,利用了目标回波信号具有双曲线这一特性,来解决目标与目标回波间的匹配问题,从而实现了多目标的定位。仿真结果验证了该方案的可行性。4、提出了利用核极限学习机解决穿墙雷达实时定位问题,与支持向量机方法在定位质量与效率上作比较,研究结果表明利用极限学习机方法能够在保证定位质量的同时兼具更高的定位效率,可用于实时定位。在验证该方法的定位质量时,实验考虑了噪声的影响,对不同信噪比下的定位效果作出分析;考虑对不同大小目标的定位性能,对不同半径目标的定位质量作出分析。