认知雷达是一种能够与工作环境实现交互、感知,进而主动调整自身参数的新型雷达。雷达散射截面积(Radar Cross Section,RCS)是衡量目标散射电磁波强弱的物理量,一定程度上影响着雷达的回波品质。就雷达工作机制而言,回波信号中携带着大量目标信息,雷达信号处理就是从回波中提取出目标的有用信息。在雷达资源分配中,如果能够提前预测目标的RCS值,提供RCS先验信息以调整雷达资源分配方案,保证目标散射回波品质;在目标检测中,通过预测目标RCS,适当调整检测门限,能够降低漏检率;在目标识别分类中,对目标RCS准确获取和分析,有助于实现雷达目标精准识别。因此,目标RCS的分析和预测,对于确保雷达高效工作具有重要意义。基于此,本文研究了基于时序的目标RCS预测方法,主要工作如下:1.研究了基于回波的目标RCS估计方法;目前传统检测方法包括匹配滤波、MTI、MTD等,高速运动目标在相参积累中,易出现MTI削减回波能量和跨距离单元走动等问题,导致回波能量损失,降低目标RCS的计算精度。对此,研究了速度搜索补偿、回波插值、距离徙动矫正、CLEAN等信号处理方法,减小回波能量损失,提高目标RCS的估计精度,为目标RCS的分析和预测提供较好的数据保障。同时,研究了基于宽带解调频数据拟合窄带信号下目标RCS的方法,并对实测数据做处理为后续预测方法提供数据验证。2.结合目标RCS的时序起伏变化特性和时序相关性,研究了自回归模型、马尔科夫模型的基本理论;在自回归模型中,将临近历史时刻的RCS时序值作为预测参考,通过大量的数据确定模型阶数、优化权重参数,实现自回归模型预测;在马尔科夫模型中,能够基于历史统计自适应调整模型间的转移概率、模型选择概率、历史参考概率等,通过更新RCS序列、模型概率等,使模型表达趋于真实变化,实现马尔科夫预测。3.研究了深度学习框架下的预测方法;首先,引入循环神经网络(RNN),通过RNN网络长时间历史记忆能力、大量的网络参数和网络优化算法,从历史序列中拟合目标RCS时序变化,实现目标RCS的预测。最后,引入长短时记忆网络(LSTM),相较于RNN网络,LSTM网络结构中的输入、输出门和记忆单元等计算单元,能够对输入数据实现选择性参考,通过网络优化能够降低远远偏离变化趋势的无效数据干扰,从而实现对RCS变化的准确趋势提取,提高网络模型可靠性,提升目标RCS预测性能。