随着高分辨率雷达的广泛应用,传统的目标检测算法对海面微弱目标的检测存在明显的性能瓶颈。海面上的慢速小目标回波微弱,雷达散射面积太小使得信杂比非常低,传统自适应检测算法很难奏效;复杂的空时变海杂波环境中,高分辨率观测不能满足传统大尺度下的统计特性,很难建立准确的目标模型;在对海观测获取到的大量数据中,目标和杂波的类别非平衡,目标相对海杂波的稀疏性使得海杂波的检测问题在传统的机器学习和模式识别上面临着挑战。因此,海杂波背景下的微弱目标检测技术已成为当前雷达目标检测领域的研究重点。本文以岸对海警戒雷达为背景,开展了海杂波中微弱目标自适应检测技术的相关研究,探讨了机器学习和深度学习算法下的海杂波微弱目标检测算法设计,对IPIX海杂波数据仿真验证了算法的实际性能,为工程应用提供了参考。具体内容及其研究结果如下:1.研究了海杂波背景下的微弱目标自适应检测问题。开展了海杂波分布的特性分析,统计建模,参数估计,杂波模型匹配,检测器的设计及检测器选择等问题的研究,实现了从海杂波建模到自适应目标检测的全流程贯通。探究了复合高斯模型下的IG-CG分布,分析了单参数和双参数下的IG-CG分布的不同特性,以及IC-CG两种不同散斑分量下分布模型的区别,实现了不同场景下的海杂波的模型库的构建。推导了AMF、AMNF和广义似然比框架下多种复合高斯分布下的检测器,重点讨论了复合高斯模型下,纹理分量为Gamma分布和逆Gamma分布,散斑分量为复高斯分布和瑞利分布的两种模型下的IG-CG分布、K分布和GP分布下的广义似然比自适应检测器算法,验证了散斑分量为复高斯分布的GLRT检测器性能优于散斑为瑞利分布的GLRT检测器,且相对传统的CA-CFAR检测器具有更好的性能。2.研究了基于机器学习下和深度学习下的海杂波微弱目标检测技术。基于IPIX实测海杂波数据的信号特征分析,以信息熵,频域峰均比和赫斯特指数三种特征构建了一个机器学习特征向量空间。设计了一种基于XGBOOST算法的虚警率可控检测器,仿真分析了不同杂波区和不同信杂比下该检测器的性能,并与传统的支持向量机、随机森林等机器学习算法进行实验对比,得出基于XGBOOST的算法具有更优的检测率。同时针对海杂波数据进行时频特征分析,以海杂波的时频特征图作为训练集,设计了一种基于LeNet网络模型的深度学习检测器,通过与机器学习和自适应检测器的对比分析,仿真验证了LeNet网络模型在重杂波区下拥有更好的性能。