随着雷达高分辨成像技术的发展,高分辨成像雷达能够获取优于1m分辨率的图像,为对地侦察能力的提升提供了强有力支撑。在雷达图像高分辨率的前提下,可利用卷积神经网络高效的特征提取能力,在杂波环境下做到对雷达目标的精确检测。传统的雷达图像目标检测方法具有对位置、相干斑噪声、分辨率和姿态敏感等局限性,针对这个问题,本文采用卷积神经网络对雷达图像进行特征提取,提出了基于电磁散射特性的雷达图像目标检测方法。不仅提取到了雷达回波信号的幅度信息,也充分利用了回波信号中的相位信息,即利用了雷达信号独有的电磁散射信息。将电磁散射特征融入到卷积神经网络中,利用深度学习方法,提取雷达信号由浅层到深层的语义信息,从而提高系统检测精度以及鲁棒性。本文主要研究内容如下:1.针对雷达图像目标检测中雷达目标存在同一部件像素离散从而导致提取目标特征困难、存在噪声敏感性的问题,分析基于电磁散射机理的散射中心模型,采用图像域的方法提取目标属性散射中心,将雷达图像中的目标进行部件级分割,然后将部件级分割的目标与原始雷达图像在本文设计的卷积神经网络中进行特征级别的融合,在保证机动目标部件完整性的前提下利用卷积神经网络中提取到原始雷达图像的特征,在融合网络的基础上对目标进行检测。2.针对传统雷达目标检测方法中需要人工设计提取特征,需要极强专业性且在复杂环境下鲁棒性差的问题,研究基于深层卷积神经网络的雷达图像目标检测方法。将雷达图像和雷达图像相对应的目标标签输入到深度卷积神经网络中,利用卷积神经网络自动提取目标独有的特征,从而做到不同类别的机动目标的精确分类与定位。3.针对雷达图像目标检测中仅利用了雷达回波数据的幅值信息而没有利用到回波数据中丰富的相位信息,即散射中心模型中的电磁散射信息,从而丢失了雷达数据独特的电磁散射信息这一问题,本文同时提取雷达回波数据中的幅值信息与相位信息,并将两者作为输入张量的不同深度层连接起来,同时输入到深层卷积神经网络中,提高雷达图像目标检测的性能。