近几年以小型无人机为代表的低空飞行器发展迅猛，由于廉价、易操控、不易被探测的特性，安全性能差，对人们的生命构成了威胁，因此无人机的检测与识别问题成了亟待解决的问题。基于无人机“低小慢”的特点，以及雷达具有全天候、全方位工作等探测优势，用雷达检测与识别小型无人机无疑是一个很好地选择，可以实现低成本高精度的无人机检测与识别。研究雷达检测与识别无人机时特征提取方法变得尤为重要，特征的优良直接影响检测与识别无人机的效果，因此本文主要围绕旋翼无人机特征提取及识别进行研究，主要的工作概括如下：
　　（1）介绍了微动目标模型的建立，对旋翼无人机叶片的雷达回波进行了建模与仿真。对主流的微多普勒特征分析算法原理进行了阐述，包括短时傅里叶变换、小波变换和S变换等。介绍了特征提取算法经验模态分解以及K紧邻分类算法。
　　（2）针对旋翼无人机“低小慢”以及雷达回波信号弱、低信噪比下特征提取困难分类精度低的问题，提出一种CVD和特定方向Radon变换的特征提取方法，首次使用了特定方向的Radon变换进行研究，该方法可以有效的利用旋翼旋转的周期性等特征对旋翼无人机进行快速分类，不依赖于旋翼的初始位置和无人机与雷达之间的角度等因素，仿真结果显示，在SNR=-15dB的条件下能够达到96.67%的识别精度。
　　（3）将Radon 变换用于处理包含微多普勒特征的二维时频图，结合基于 L1 范数的二维主成分分析算法进行特征提取及分类识别。两种算法结合对旋翼无人机等飞行器时频图进行处理进一步提取目标的频率信息、峰值信息和边缘信息，使提取出的特征更有效，对比了不同特征提取算法，文中的算法在较低的信噪比下提高了识别精度。最后对基于L1范数的二维主成分分析后的主成分进行了重构，将重构结果与原始图像像素作对比，分析了不同算法下的平均重构误差，验证了文中方法的有效性。