空中飞机目标按照工作原理和用途可以分为直升机、螺旋桨飞机、喷气式飞机三种。这三种空中飞机目标雷达回波信号主要包括机身分量和旋转部件微动分量。分离飞机目标雷达回波信号中的微动分量并进行微动特征提取与识别,这两项研究受到国内外学术界和工业界的广泛关注,在军事和民用领域都具有重要的应用价值。对于飞机目标识别,传统特征提取方法需要更多的人工操作,不仅耗费时间和精力,且因为人工经验抽取信号特征是随机过程,会带来相应的误差。深度学习作为一种机器学习方法,以逐层抽象的形式表示目标,具有强大的表征能力,可以实现目标特征的自动提取,极大提高目标特征提取的准确率,实现对目标更为精确的识别。本文主要围绕雷达系统对空中三类飞机的微动特性进行数学建模分析、基于深度学习方法实现旋转部件微动信号的分离以及微动特征的提取和目标识别。论文主要工作包括以下几个方面:1.研究飞机目标微动产生的原理,建立飞机目标微动信号模型,推导了对应的数学表达式,在信号建模的基础上对飞机目标不同运动状态下对应的最大多普勒频率、单边谱个数、周期和旋转角频率等微动特性进行了详细的分析;通过仿真实验,从时域、频域、时频域分析三类飞机目标旋转部件回波信号与微动特性规律,验证了模型的正确性。2.研究基于深度学习网络的飞机微动信号分离方法。主要包括基于深度学习语义分割网络Deeplabv3模型可从大量飞机目标时频信号中学习获得三类飞机目标时频图各像素对应的属性标签,据此可生成旋转部件微动信号的时频掩膜。根据掩膜后的时频图,可采用逆短时傅里叶变换恢复飞机目标旋转部件微动信号,旋转部件微动信号的提取。通过三类飞机信号的分离实验验证了基于深度学习网络的飞机微动信号分离方法的有效性。3.研究基于深度学习网络与微多普勒特性的飞机目标识别方法。在已有深度卷积神经网络（Convolutional neural network,CNN）的基础上,提出一种基于深度网络和微动信号时频图的飞机目标识别方法。根据飞机目标时频特性及网络性能设计了相应的网络结构,基于建立的飞机信号模型构建训练数据集,通过仿真实验分析了不同观测条件下的识别性能。