雷达作为一种穿透力超强的主动式微波探测工具,其性能不受时间、气候和观测距离等因素的影响,在目标检测和预警探测等领域具有其他遥感系统无可比拟的优势。然而,复杂杂波背景下的动目标检测性能受到了各种因素的制约,导致海杂波抑制及和目标检测技术不能满足实时需求。杂波抑制是动目标探测的基础和前提,而现有杂波抑制算法仅仅利用单维域特征并且人工参与的力度大,使得杂波抑制效果的好坏主要取决于算法对雷达参数及环境的适应程度。近年来,人工智能的相关技术快速发展,利用深度学习方法挖掘杂波高层特征和精细信息已经成为可能。因此,针对现有杂波抑制算法存在特征利用维度有限、环境适应程度弱等问题,本文拟从人工智能的角度探索挖掘雷达回波信号的精细化特征和多维域信息,主要开展多维域协同的海杂波抑制及面目标检测等理论与方法研究。主要内容和创新点如下:（1）由于受观测环境以及雷达参数等因素的影响,构造协方差矩阵的杂波样本数据并不满足独立同分布,导致传统的自适应杂波抑制方法性能有限。本文提出一种基于Alex Net的自适应杂波智能抑制方法,首先,通过分析海杂波幅度分布特性,建立样本数据库;然后,通过迁移Alex Net在Image Net数据集上的分类模型,并使用杂波数据集微调网络参数,实现对海杂波数据的准确分类,从而获取服从独立同分布的杂波样本数据,提高自适应杂波抑制方法性能。相比其他杂波抑制方法,所提方法具有人工参与度低、杂波分类准确率高、以及杂波抑制效果更好等优点;最后,通过CSIR实测数据验证了本文所提方法的有效性。（2）针对现有的海面杂波抑制及目标检测方法仅仅利用单维域特征,导致目标和杂波区分度不高,使得该类方法存在鲁棒性不高、适应性不强、检测精度难以满足实际需求等问题,本文通过挖掘利用回波信号的多维域互补特征,提出一种时频特征协同的杂波智能抑制及目标检测方法;首先,使用离散小波变换完成回波信号的多分辨率分析与分解,从而得到回波子带信号;然后,使用Le Net-5网络对各子带信号的AR功率谱进行分形特征提取,完成对不同子带的分类识别;再通过将杂波子带系数置零、重构回波信号实现海杂波抑制,并利用CFAR技术实现海杂波背景下的目标检测。相比其他方法,所提方法充分利用了时频信息,明显提高目标和杂波的区分度和目标信杂噪比。最后,通过IPIX和CSIR实测数据集验证了提出方法的有效性。