目标的微多普勒特征反映其独特的几何特性,是实现目标分类的重要途径之一。直升机、螺旋桨飞机和喷气式飞机的微运动部件在结构、运动特征等方面存在明显差异,故其微多普勒调制特性也各不相同,通过提取微多普勒特征,可实现对三类飞机目标的分类。当前相关研究大多都假设在微多普勒目标分类过程中,雷达工作参数固定不变。然而实际工作中为了提高雷达系统的抗干扰性能以及解决盲速等问题,雷达工作频率和脉冲重复频率会发生变化,这将导致分类方法的性能下降甚至失效。针对该问题,本文分析了这两个工作参数的变化对飞机目标微多普勒调制的影响,并提出了相应的稳健分类方法。本文的主要工作概括如下:1.建立了水平和垂直旋翼的回波参数模型;利用该模型进行仿真实验,分析了三类飞机目标的微多普勒调制特性差异,以及桨叶角调制和姿态角变化的影响;介绍了已有的三类飞机目标分类算法流程和具体的预处理、特征提取以及分类器设计方法。2.对雷达工作频率变化的情况进行研究,指出多普勒调制谱的谱宽和谱线数目会随之变化,谱线间隔受影响程度较小。据此首先提出一种基于谱线间隔的频域相关性特征的分类方法,该方法针对谱线间隔只与旋翼本身转速有关这一点,提取对载频变化不敏感的频域相关性特征,实验结果表明该方法实现了稳健分类。然后提出一种基于神经网络模型和迁移学习的分类方法,该方法充分利用训练和测试样本的相似性,首先用训练样本预训练神经网络,然后用少量载频变化后的新样本微调部分网络参数,实验结果表明该方法能够提高分类的稳健性。3.针对分类过程中脉冲重复频率变化引起微多普勒谱结构变化进而导致分类性能下降的问题,首先提出一种基于重采样预处理的分类方法,该方法能在测试样本频谱不发生混叠时提升重频变化场景下的分类性能。然后针对测试样本频谱混叠的情况,进一步提出一种基于空间金字塔池化网络的分类方法,该方法利用了空间金字塔池化对输入信号维度变化不敏感的特性,从多个尺度对回波进行特征提取,实验结果表明该方法改善了重频变化条件下的分类性能。