飞行目标识别是维护空域安全的基础,而日益复杂的空域电磁环境对飞行目标的可靠识别带来了很多挑战。目前对于飞行物的识别方法主要是依靠雷达的回波信息进行判断,然而随着诱饵目标和隐身技术的发展,仅利用雷达图像很难实现对于相似飞行物的识别分类,故需要利用额外信息辅助识别。目前传统的相似目标识别方法,例如特征参数提取、高阶累积量的方法和机器学习方法,多基于高分辨率雷达或雷达信号先验知识提取,其智能化和泛用性较差且在敌对情况下难以获得。深度学习作为一种新的智能方法,具有端到端学习、抽象能力强、泛用性高以及易于移植等特点,在特征提取和分类上具有很好的指导作用,然而基于数据驱动的深度学习对数据量和样本类型的要求较大,这阻碍了其在对抗环境中的发展。雷达散射截面（Radar cross section,RCS）信号蕴含了飞行物的外形、材质、运动特征等诸多性质,因此本文研究了一种基于RCS和机理建模的深度学习方法用于飞行目标识别。首先,建立了一种基于运动机理和电磁学的接收信号分析建模方法。其次,设计了一种基于生成式对抗网络的数据扩增模型。大大降低了动态RCS信号仿真的复杂度,并对RCS数据进行了增强。此外,提出了 TF-AM-GRU模型,以提高从众多诱饵物体干扰中检测飞行物体的精度和可靠性。主要贡献列举如下:（1）针对实地RCS测量成本高、测量难度大的问题,通过对飞行物的运动机理进行建模,提出了一种成本低、可重复、具有指导作用的动态RCS数据仿真方法:首先对飞行物进行三维结构建模和电磁仿真生成静态RCS信号。再对飞行物的运动进行机理建模并对静态RCS信号进行采样,按照运动学方程确定的形式得到动态RCS序列。（2）通过仿真数据分析得到的专家知识结合AC-GAN设计了更为高效快速的数据扩增方法:在对RCS信号进行机理建模和特征分析的基础上,设计了基于生成式对抗网络的模型来扩充RCS样本。同时验证了扩增样本的有效性。（3）提出了一种用于飞行物识别的时频注意机制深度学习模型:该网络利用注意力模型提高门控循环网络对数据周期性的捕捉能力,利用快速傅里叶变换（Fast Fourier Transform,FFT）对输入数据进行处理,得到频域特征辅助识别。与传统神经网络相比较,本文提出的模型在准确率与F1分数上均能提升10%左右。