近年来,随着雷达监测与深度学习技术的不断发展,基于深度学习的RCS数据分析已经成为了一个新的研究方向,并且在很多领域获得了广泛的应用。因为RCS数据获取难度大、样本稀少,并且数据维度较小,不足以提供充足的样本,使得神经网络在根据RCS姿态进行分类训练的过程梯度不稳定,导致训练结果准确率低。针对以上问题本文改进了已有的三种网络结构,最终研究发现,元学习的方法可以使得模型在少量RCS数据样本的情况下实现目标物体的姿态分类,从而得到从RCS数据到目标姿态之间的单向映射关系。本文所做的主要研究工作如下:（1）研究与改进了 ResNet 18-layers、LSTM、MAML等三种网络模型结构,分别从CNN、RNN、元学习的角度去解决神经网络在少量样本条件下无法进行目标物体姿态分类的问题。在原网络结构的基础上,加入新的卷积池化层,并选用较为合适的损失函数,进而实现了对目标物体姿态的识别。（2）在少量样本数据集的情况下,分别对原始的和已改进的三种模型进行实验。由于卷积神经网络的训练需要大量的数据作为支撑,本文对基本的神经网络模型作了如下的改进工作:a)将计算机视觉注意力机制加入原网络中;b)在输入端加入沙漏形卷积层,增强数据特征的提取;c)在输出端加入卷积池化层,用于输出特征的特征向量计算;d)利用交叉熵损失函数计算损失,使得准确率有所提升;e)通过实验评价三种网络改进是否有效,并且进行横向对比。综上所述,本文采用不同的数学建模方式改进了以下三种网络结构:ResNet、LSTM、MAML,对RCS数据与目标姿态之间的关系这一问题进行了相关研究。其中,以任务学习为基础的元学习MAML的识别准确率优于以时序数据为基础的循环神经网络LSTM,以寻找数据特征为基础的卷积神经网络ResNet的表现相较LSTM和MAML网络较差,本文提出的改进型网络模型可以在较少的样本情况下,实现目标物体的姿态识别,解决了目标姿态样本少,难以进行训练的问题,同时使得改进后的网络结构的平均识别准确率由75%提升至80%。