在低空监视领域中,小型飞行器的机载设备受制于功率和成本,很难准确播报本机的运动参数,只能通过雷达对其进行主动检测。这类小型飞行器具有的飞行高度低、飞行速度慢和雷达反射面积小等特点,极大增加了雷达目标检测的难度。日益增多的小型飞行器造成了许多空管事故,因此,提升雷达对低空空域小目标的检测能力,成为近年来空管领域需要迫切解决的问题。本文针对基于深度学习的雷达目标检测算法展开了深入研究,根据低空目标的特点,将雷达信号处理技术和基于深度学习的目标检测算法相结合,借助川大智胜公司低空监视雷达的回波数据,提出了改进的动目标检测图像和目标检测算法优化方案,以达到提升低空监视雷达目标检测效果的目的。本文的研究内容主要包括以下几个方面:1.提出了一种基于动目标检测的低失真数据集构建方案。本文基于真实回波数据及其信号参数,设计了真实回波解码程序和模拟回波生成程序,并通过雷达信号处理获得了动目标检测图像。为最大化利用图像信息,本文提出将复数矩阵的实部、虚部和模分别对应图像的三个颜色通道,并进行归一化存储,显著提升了单个像素的信息量。实验表明,本文提出的低失真数据集构建方案可以将各算法的检测效果提升11%以上。2.提出了一套基于深度学习的低空监视雷达目标检测算法改进方案。为进一步提升基于深度学习的目标检测算法对低空监视雷达目标的检测效果,本文提出的改进点主要:a.修正初始锚点的尺寸,加速了预选框的回归速度;b.使用了 Mish激活函数进行梯度传递;c.引入CSPNet的思想进行运算分离,加快推理速度;d.设计了一种新的IOU计算方法,更高效地进行预选框回归。以上几点改进方案对所有基于深度学习的雷达目标检测算法均具有一定的参考价值。3.基于 YOLOv3、Faster R-CNN 和改进方案,提出了YOLOnew和Fasternew 两种基于深度学习的低空监视雷达目标检测算法。在输入数据时进行数据扩充和数据增强并通过四个实验测试其性能。综合各实验结果,使用低失真矩阵数据集和模型改进方案后,与YOLOv3相比,本文提出的YOLOnew在模拟数据集和真实数据集分别有20.3%和32.1%的性能提升。与Faster R-CNN相比,本文提出的Fasternew在模拟数据集和真实数据集分别有12.9%和5.3%的性能提升。其中YOLOnew的平均检测时间为20ms,满足实时性的要求。根据实验结果可知,本文提出的低失真数据集构建方法和目标检测算法改进方案在共性技术方面具有一定的普适性,可以运用到更多基于深度学习的目标检测算法中去。在工程项目方面,因YOLOnew优秀的实时性和准确度,可以运用到现有的低空监视雷达目标检测项目中去。