由于生成合成孔径雷达（Synthetic Aperture Radar,SAR）图像所需的耗时处理使得基于SAR图的目标检测通常不适合实时应用,因此直接利用雷达距离多普勒（Range Doppler,RD）数据进行目标检测可以快速的探测到敌方目标位置信息,在军事战场上有着极为重要的作用。基于雷达RD时频数据的目标检测存在两个难点:一是针对此类任务,传统的恒虚警率算法不具备普适性,一旦背景噪声的分布发生变化,就需要重新选择参数构建数学模型,在高精度的检测要求下,检测稍有偏差便会被判断为误检;二是在高机动、强干扰的作战环境下,在生成的雷达RD谱图中目标所占据的单元比例很小,又受到虚假目标和强噪声的影响,会导致正确辨别目标困难,检测性能降低。目前常用的一些基于深度学习方法在处理此类问题时达不到精准定位的要求,并且在复杂场景下还会出现漏检、错检问题。本文以雷达目标检测和神经网络理论为基础,重点围绕基于雷达RD时频数据的目标检测和复杂场景下的精准目标检测等方面开展了研究。本文首先对CNN的基本结构和RD谱图的形成原理进行了详细介绍,并且根据雷达信号的基础知识进行了数据仿真实验。针对基于雷达RD时频数据的目标检测问题,本文采用一种级联的神经网络结构。主干网络采用Res Net50提取特征,通过层层级联的方式有效的缓解了直接提高训练交并比阈值所引起的过拟合问题,保证了训练时正样本的数目,从而可以得到越来越高质量的候选框,有效的提高检测精度。针对复杂环境下的雷达目标检测问题,本文先是对现使用的回归损失函数进行了改进,通过度量候选框和真实框中心点之间的距离来获得高质量候选框,中心距离越小,则表明候选框的质量更好。由于目标在RD谱图中所占据的单元比例较小,因此在主干网络的浅层部分增加了混合注意力模块,以提取更好的语义特征,由此减少一些因噪声和干扰目标引发的误报问题。对于雷达RD谱图的目标检测问题,本文所提出的级联神经网络的检测方法性能优于传统CFAR、Yolo v3算法。对于复杂场景下的目标,本文在级联神经网络的基础上进行了进一步改进,检测效果也得到了提升。实验表明,该方法比现有其它方法更加的准确。