现代空战是在复杂电磁环境下实现多目标防御与攻击的主要手段,是逐步主导着现代化战场的纵深联合打击形式。为有效鉴别空中目标的威胁,传统的目标航迹识别与预测研究算法已不足以应对当前战场下的海量数据。为了在复杂化、海量化、多样化的战场数据上挖掘出有效和有用的信息,进一步提升防空作战性能,本文基于深度学习技术,研究了雷达目标航迹的识别和预测问题。主要研究内容如下:(1)基于点迹时空特性的雷达目标航迹识别。综合考虑了雷达点迹数据的空间关系特征和时间关系特征,提出了一种基于雷达点迹数据时空关系特性的目标航迹识别算法TRST(radar target Track Recognition based on Spatial-Temporal relationship of track points)。该算法首先对雷达点迹数据进行属性选择,然后挖掘点迹数据在空间关系上的间距值特征,最后构建循环神经网络进一步捕捉点迹数据的时空关系特征,实现对目标航迹的分类识别。仿真实验表明,该算法能够有效提高目标航迹识别的准确率、精确率、召回率和均衡平均数性能。(2)基于时间残差自注意力的雷达目标航迹预测。提出了一个基于时间残差的自注意力机制(self-attention mechanism based on time residual),以挖掘不同航迹点对预测航迹点的不同影响及航迹点间的时间关系特征。该注意力机制将不同航迹点之间的时间间隔作为时间残差,通过在计算注意力分配的概率时,引入一个由一条航迹中所有航迹点之间的时间残差组成的时间掩码,来集中关注预测时刻附近的航迹点的信息。在此基础上,提出了一个基于时间残差自注意力的航迹预测模型TRSA(Track prediction model based on time Residual Self-Attention),该模型采用由基于时间残差自注意力组成的多头注意力计算航迹点之间的注意力特征,通过特征融合、全连接神经网络、多头注意力计算获取最终航迹特征向量,最后通过一层激活函数为Softmax的全连接层进行航迹预测。仿真实验表明,该模型有效实现航迹预测的功能、能够减小航迹预测的误差、均方根误差、平均绝对误差和模型的运行时间。