基于红外成像的空间目标识别是导弹防御系统中的关键环节。远距离空间目标的红外成像为点目标,仅能获取目标辐射强度序列。如何从中提取目标的形状和姿态运动等特征信息,进行有效的点目标识别是研究的重点和难点问题。在智能化作战需求的牵引下,本课题基于空间点目标的红外辐射强度时间序列,开展了神经网络空间目标识别技术的研究,主要研究内容包括以下三个方面:第一,空间目标红外辐射强度建模及形状与姿态反演。对目标表面温度和姿态运动等特征进行了建模分析,并建立了目标投影面积模型和红外辐射强度序列模型。针对模型对影响目标辐射强度序列的因素进行了仿真分析,并生成了四类典型目标的辐射强度序列,作为后续进行识别研究的数据基础。运用基于高斯映射图的目标形状表示方法,通过投影面积序列对凸体目标的形状参数进行估计,进而实现了目标形状反演。进一步进行目标的形状和姿态参数联合估计,针对微动参数的非凸目标函数,采用混沌粒子群优化算法,避免陷入局部极小值,对目标形状和姿态参数进行了有效估计,从而实现了目标形状和姿态的反演。第二,基于独立随机循环神经网络的目标分类研究。根据远距离空间目标识别需求,提出了一种基于独立随机循环神经网络的目标分类算法。独立随机循环神经网络模型一方面通过调整隐含层结构,使得隐含层神经元相互独立,解决了梯度消失和爆炸的问题,增强了处理长序列的能力,有利于学习较长序列样本的特征用于分类;另一方面,在输入空间引入历史信息,提高了模型的记忆能力和推广性能,更重要的是增强了模型的分类能力。在UCR公用数据集以及空间目标的仿真数据集上进行算法测试,实验结果表明独立随机循环神经网络相较于基本循环神经网络显著增强了分类性能和对噪声的鲁棒性。第三,基于半监督辅助分类生成式对抗网络的目标识别算法研究。针对在带标签数据受限情况下的空间目标红外辐射强度时间序列分类问题,提出了一种基于半监督辅助分类生成式对抗网络的空间目标识别算法,有效解决了训练过程中的模式崩溃问题,提高了判别器和生成器的性能。针对模型在训练过程中不稳定和不收敛等问题,提出了特征匹配和虚拟批量标准化两项改进措施。通过仿真实验对半监督辅助分类生成式对抗网络模型的分类性能和生成性能进行了分析,验证了模型能有效实现空间目标红外辐射强度序列的分类,并且对噪声具有较高的鲁棒性,同时生成的样本和真实样本具有较高的相似度。