当前雷达系统面临的主要瓶颈问题是,如何在给定系统资源条件下充分挖掘回波信息,以拓展雷达系统探测威力。检测和跟踪是雷达系统的基本功能,目前主要存在信息利用不足、预设模型易失配、计算的复杂度与效率难以平衡等问题,这通常因为传统模型驱动的方法表达能力有限、对实际复杂场景刻画不足。从功能实现的角度,检测和跟踪任务均可被视为通过复杂的非线性变换实现。随着数据获取、利用成本的下降,这些非线性映射可直接通过从数据中学习得到。在众多数据驱动方法中,深度学习方法具有极强拟合复杂非线性映射的能力,能够通过层次化的特征提取有效抓取数据中有用信息。将深度学习方法应用于雷达目标检测和跟踪,能够根据不同任务目标自动学习如何有效利用数据中的信息,通过从数据中学习映射的方式避免预设模型失配造成的性能下降,并且计算效率也因为易于并行化实施有所保证。基于上述考虑,本论文将深度学习方法应用于雷达目标检测和跟踪问题,以提升雷达系统探测能力,主要工作概括如下:1.研究了信号结构信息辅助的目标检测方法。针对传统目标检测方法仅使用幅度信息实施检测、未考虑信号处理操作引入的信号结构信息,并由此产生信息利用不充分的问题,提出了信号结构信息辅助的目标检测方法。针对传统模型驱动方法难以有效刻画信号结构信息的问题,设计了全卷积网络来模拟从回波数据到检验统计量的映射关系。实验表明,信号结构信息的辅助能够在相同虚警概率的条件下提高目标检测概率。2.研究了模型与数据联合驱动的多帧目标检测方法。针对传统多帧检测方法中基于原始回波方法实时处理能力弱、两阶段方法计算效率较高但信息利用不充分的问题,设计了先基于常规模型起始航迹、再序贯融合多属性特征判别航迹的方法:在起始航迹时充分考虑目标位置、多普勒量测的耦合关系,在判别航迹时利用深度神经网络融合回波信号结构一致性、航迹平滑性、历史检测信息等多维特征。实验表明,所提方法在满足实时处理的条件下,能够有效提升低信噪比目标的检测性能。3.研究了知识与数据混合驱动的数据关联方法。针对航迹起始阶段传统数据关联方法信息利用不充分、模型驱动方法表达能力有限且难以应对机动目标的问题,基于目标运动约束的领域知识和孪生卷积网络设计了不同属性特征的提取方法,并使用决策树基于量测一致性、回波信号结构相似性、信噪比等特征对是否关联观测实施判决。实验表明,所提方法在不同虚警概率的条件下,均能够综合多属性信息有效避免虚警之间的关联、准确实施机动目标关联。4.研究了面向运动不确定性的目标跟踪方法。针对传统跟踪方法在目标运动不确定时容易因为预设模型失配发生性能下降的问题,提出使用循环神经网络从大量数据中学习从雷达量测到目标状态的非线性映射,并结合贝叶斯滤波和端到端的思想,分别设计了两个结构不同的目标跟踪网络。实验表明,所设计的两个网络均能够应对不同运动类型目标的跟踪,在不同跟踪场景下、参数数量不同时两个网络的鲁棒性也得到了探索。5.研究了面向模型非线性的目标跟踪方法。针对传统模型驱动方法在应对非线性目标跟踪时难以获得解析最优解、近似解难以兼顾跟踪精度和计算效率的问题,提出了数据驱动的解决方案。针对前述跟踪网络难以输出关于目标状态估计准确性描述的问题,从最大似然角度对其代价函数进行了分析,并据此修改了代价函数和网络结构。实验表明,所提的方法能够在较高计算效率的前提下实现准确的目标跟踪,网络输出的方差信息也能够有效描述目标状态估计的不确定性。