在航空航天领域,雷达通过无线电的方法发现空中目标物体并测定它们的空间位置,在战场、民航等环境下发挥着不可替代的作用。随着空中用频设备的日益增多以及空中环境的日趋复杂,对空中目标物体历史航迹数据的研究有利于深度认知空中交通流组织模式,把握空中交通特性变化规律和时空分布特征。本研究针对历史航迹数据,分别进行了目标航迹识别和聚类研究。主要研究内容如下:(1)基于卷积神经网络的雷达目标航迹识别。目前在雷达目标识别领域通常是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息,通过多维空间变换等方法来估算目标的大小、形状、重量和表面层的物理特性参数,实现对目标类型、型号等的识别。本研究利用雷达装备提供的目标物体的时空属性数据,如时间、方位、距离等,分析航迹数据特点,挖掘航迹点间斜率值(k值)特征,并采用Shapely值分析方法度量k值特征的有效性;然后构建卷积神经网络模型,实现了对雷达目标航迹类型的识别与检测。最后,基于模拟生成的目标航迹数据对构建的模型进行测试;实验结果表明,模型可以很好的实现对目标航迹的检测与识别。(2)基于时空距离和降噪自编码的深度航迹聚类。已有的航迹聚类研究中对航迹相似度度量方法缺乏对航迹点时空特征的考虑,且航迹聚类算法的设计缺乏对航迹时序特征的提取。针对以上问题,本文首先提出基于航迹时空特征的航迹相似度度量指标SIM-T(Similarity of Track),并在此基础上提出了基于降噪自编码器的深度航迹聚类算法DAE-DTC。SIM-T综合利用航迹点之间的时空特性来度量航迹之间的相似度。DAE-DTC模型首先利用深度时间降噪自编码网络(DTDA)实现了对航迹序列潜在表征的有效提取;然后基于k-means思想,采用SIM-T距离,利用时间聚类层(TCL)实现对航迹的聚类。基于ADS-B航迹数据验证所提出的航迹相似度度量指标SIM-T和航迹聚类算法DAE-DTC的性能。实验表明,本文所提出的SIM-T相似度度量指标和DAE-DTC聚类算法有效得提高了航迹聚类的性能。