随着毫米波近场成像系统在安检等领域发挥作用,针对三维雷达图像的目标分类与检测方法具有了重要的理论研究和应用价值。三维雷达图像包含丰富的三维空间信息与雷达成像特征,本文尝试通过深度学习的方法,充分分析利用三维雷达图像具有的特点,深入研究针对三维雷达图像的目标分类方法。第一章论述了该课题的研究背景和意义,分三个小节详细总结了三维雷达图像目标分类的深度学习方法相关领域的发展现状,在此基础上归纳了本课题需要解决的问题,并介绍了文章的主要工作。第二章介绍用于深度学习网络训练和测试的数据准备情况,分别阐述了通过图形电磁计算方法得到三维雷达图像仿真数据的原理、步骤和结果,介绍了实测数据的来源并利用实测数据与仿真数据的对比验证了仿真数据的有效性与可用性,为后续章节中的分类网络的训练与验证提供了数据基础。第三章研究了基于二维多视图图像输入的三维雷达目标深度学习分类方法。引入multi-view的思想使网络获取三维目标在各个视点的二维特征,再通过特征级的数据融合方法,组合单个视图特征获取三维目标的全局特征描述。文章将此方法应用在三维雷达图像的强度等值面在多个方向的二维投影图上,在视图方向数量为80时,网络在仿真与实测数据中均取得了比较好的分类结果。第四章讨论了基于点云输入的三维雷达目标深度学习分类方法。三维点云数据进入网络后被采样和聚类然后按点提取特征,之后以点为单位在特征维度上进行最大值输出操作,获得全局特征。点云网络对数据细节特征的认知较基于图像的方法更细致,对复杂目标的分类性能更好。但是同时更细致的特征提取使得网络对雷达图像中存在的噪声点等异常信息更加敏感,在实测数据上的分类性能还有待进一步改进。文章还初步探讨了不通过仿真数据、直接在三维模型生成的数据上进行网络训练然后应用于雷达目标分类任务的可行性。此外,为了充分利用三维雷达图像的丰富信息,本章提出了一个将强度编入点云输入信息的分类方法,并对其分类性能进行了分析评估。第五章对全文进行了总结归纳,指出了主要的研究成果,分析对比了文中提出的各种针对三维雷达图像的分类方法,比较了各方法的优缺点,并对课题研究的不足进行了分析,重点表达了对检测问题的思考,明确了下一步研究的方向。