雷达信号处理的首要目的就是通过对接收信号的加工，消除或降低各种各样的干扰、噪声及由这些干扰、噪声引起的不确定性，以便于提取所需要信息和提高信息的质量。雷达信号处理主要围绕对目标信号的变换、检测、跟踪、识别以及威胁判断等问题而进行，其中对目标信号的检测是雷达对目标处理的一个重要环节，同时也是雷达信号处理中的一个关键问题^[1]。

但是传统的雷达目标检测方法在使用恒虚警率规则进行检测时，很难保证虚警概率保持恒定，所以导致整个系统的检测性能不是很好。本文将深度学习引入了雷达目标检测中，想利用结构优化良好的卷积神经网络代替传统的恒虚警率检测器，实现对于雷达目标的高效检测。

1. 研究目的

当今雷达工作的电磁环境越来越复杂，相关应用领域对雷达系统处理的实时性要求越来越迫切。利用深度学习网络，实现复杂环境中雷达目标的实时有效探测，是本毕业设计拟研究的内容。

2. 国内外研究现状分析

对于实现雷达目标的检测问题，已经出现了一些传统的检测方法。比如说恒虚警率检测法，恒虚警率（CFAR, constant false alarm rate）处理是一个提供检测阈值的数字信号处理算法。信号的恒虚警检测可以看作是信号检测与估计相结合的一种实际应用。并且朱凯然等人已经从均值类 CFAR 和 OS-CFAR 两个方面分析了杂波环境下的雷达目标检测性能^[1]。本文致力于使用深度学习技术进行雷达目标检测。

深度学习起源于神经网络算法，在分类和回归等问题方面取得了良好的应用。深度学习不同于以往的机器学习处理方法，它通过使用各种可训练的层进行特征工程的处理，得到了更加有效的特征表示。深度神经网络包含卷积神经网络、递归神经网络和迭代神经网络。本实验选用了卷积神经网络（CNNs）来进行目标检测的处理。

在20世纪90年代，CNNs曾被大量使用过，但随后进入了一段发展的低潮。2012年，Krizhevsky 等人通过在ImageNet大规模视觉识别挑战（ILSVRC）数据集上显示出卓越的图像分类准确性，使CNN重新获得关注^[2]。最近，深度CNN已成功应用于许多模式识别任务，如图像分类，物体检测和车辆检测。对于进行图像分类的CNN架构是由LeCun提出的，它具有相同的两部分。但是两个部分由于配置，深度，单位数和非线性函数的形式的不同而具备一定的差异性。CNN的第一阶段充当特征提取器，其主要使用卷积操作来学习丰富的分层特征，并且最后阶段是多层感知器分类器。

近年来，许多研究人员提出了CNNs在雷达中的应用。比如说将DNNs应用于雷达波形识别^[3]、CNNs被用来对微型无人机系统(micro uav systems, micro UASs)进行分类^[4]、将CNNs应用于微多普勒分类^[5]、使用CNNs进行SAR目标识别、利用利用深度卷积自动编码器进行高分辨率SAR图像分类^[6]、利用CNNs实现雷达的自动目标识别(ATR)^[7]-[10]。但是，这些研究主要集中在利用CNNs去解决雷达目标识别和分类问题，也就是说目前还没有关于将DNN直接应用于雷达目标探测的研究。所以本毕业设计希望可以通过设计一种深度学习的网络来实现复杂环境中雷达目标的实时有效探测，进而通过与传统目标探测器的比较来验证检测器的性能。