加强对微小型无人机类低空目标的雷达检测能力是近年来研究的重点,也是难点。由于无人机飞行高度低、雷达截面积(radar cross-section,RCS)小,强地杂波遮挡等特点,传统检测手段很难有效检测无人机。本文针对无人机的雷达检测和鉴别方法展开研究,开展的工作和取得的成果主要包括如下几方面:首先,在微波暗室中测量了常见无人机的RCS。从实验结果可知,无人机的RCS与鸟类的RCS接近,仅依靠传统多普勒检测方法无法对无人机进行有效的鉴别。本文提出通过对无人机旋翼回波中产生的微动信号进行检测,利用微动调制特征对无人机进行有效的鉴别。此外,建立了无人机旋翼的运动模型、雷达回波模型以及微多普勒调制模型。此外,根据实际探测场景,采用了几何绕射理论,得出无人机旋翼的雷达回波模型是正弦调幅-正弦调频的形式,由此确定了本文研究的方向和处理方法。其次,在建立的无人机旋翼微多普勒模型基础上,利用时频分布的方法对无人机旋翼的微多普勒频谱进行了特征时频分析。针对传统时频工具(短时傅里叶变换,魏格纳分布和伪维格纳分布等)存在的时频分辨率不高、交叉项干扰等缺点,提出了改进窗S变换、L-Wigner分布以及S分布,并对提出的时频分析方法,进行了理论分析、仿真分析和实验验证。最后,本文研究了微多普勒信号的分离和特征参数提取。在雷达实际探测中,无人机的主体回波和旋翼的回波是混叠的,由于无人机主体反射回波更强,将掩盖掉旋翼的回波,在时频分布图上,只显示主体回波而没有旋翼的微多普勒信号,这大大增加了微动特征的提取难度。因此需要对主体回波和微多普勒信号进行分离。本文提出了基于傅立叶变换的分离方法,可以有效实现微多普勒信号的提取。为了进一步鉴别无人机,需要对其微多普勒频谱进行参数估计,本文采用了稳健性较强的Hough变换对其参数进行估计。同时为了克服传统Hough变换运行速度慢的不足,提出了基于时频脊的随机Hough变换,该方法可以在噪声环境下对微动参数进行有效估计。仿真和实验结果均表明,本文采用的S分布方法能够在强噪声条件下提取微多普勒信号的特征,并且能够强化微多普勒信号中的弱分量信号,并且具有良好的时频分辨率。本文提出的基于傅立叶变换的微多普勒信号的分离方法能够有效实现微多普勒信号与主体回波的分离。本文采用的基于时频脊的随机Hough变换方法能够在强噪声条件下对微多普勒信号的参数进行有效估计,相比于传统Hough变换,具有准确度高、运行速度快、占用内存小的优点。本文提出的方法,为无人机的鉴别提供了一定的参考意义。