随着现代电子技术的快速发展,雷达在军事上的应用越来越重要。雷达目标检测跟踪是影响雷达性能的关键因素。雷达目标检测是从大量杂波和干扰中提取真实目标,雷达目标跟踪的作用是预测雷达目标在下一时刻的位置,并确定目标的运动轨迹。目标检测是目标跟踪的前提,只有实现目标检测的准确性,才能保证目标跟踪的有效性。由于雷达探测的目标处于复杂的电磁环境下,致使雷达回波中会包含有很多不必要的干扰因素,这给雷达目标检测跟踪问题带来了很大困难。因此研究如何准确检测真实目标和航迹具有重要的工程意义。本文利用机器学习方法解决雷达数据处理时的目标检测和跟踪问题,降低了虚假目标和航迹率。主要做了以下几项工作:1、提出了一种基于机器学习的杂波识别方法,根据雷达目标点迹的6维特征,利用K近邻算法、支持向量机、BP神经网络和LSTM神经网络对雷达目标点迹和杂波点迹进行分类识别,有效提高了杂波识别率,并在很大程度上改善了目标检测后剩余杂波点对目标跟踪造成干扰的问题。2、提出了一种基于神经网络的目标航迹预测方法,利用神经网络预测雷达目标的坐标位置,实现对雷达目标位置的精确估计。3、提出了一种基于神经网络的数据关联方法,根据预测航迹评估待关联点迹是该航迹上目标点的可能性,有效提高了点航迹关联正确率。4、提出了一种改进后的非线性滤波算法,该方法利用BP神经网络对非线性滤波的滤波误差进行了进一步地校正,通过将滤波估计值和校正后的滤波误差值相加,得到了更加精确的滤波值。能够有效提高滤波精度并且改善目标跟踪性能。本文一方面在目标检测后进一步区分了目标点和杂波点,保证了目标跟踪的可靠性;另一方面提出的新的数据关联算法和滤波算法有效改善了目标跟踪的性能。经过仿真实验证明,相比于传统算法,本文所提各方法具有很多优点,对雷达目标跟踪问题具有一定的参考价值。