时间序列是生活中很重要的数据对象,在各个领域都广泛存在,包括金融财务数据,气象观测数据,飞行物的运动轨迹数据等都是以时间序列的数据形式存在。而轨迹预测能够实时、准确地预测目标下一步的位置信息,是时间数据处理中一种很重要的应用。来自雷达数据的轨迹预测就是其中之一,由于其样本量小,噪声大,不稳定性和非线性的特点,因此很有挑战性。近些年深度学习的崛起为很多经典问题带来了新的解决思路,如目标识别、文本翻译、轨迹预测等。本文基于深度神经网络在雷达目标轨迹预测问题中的应用,研究如何利用长短时记忆网络（LSTM）和混合密度网络（MDN）结合的方式解决雷达目标轨迹预测中的几个关键问题。本文的主要研究工作如下:（1）提出了一种基于Bi-LSTM的雷达目标状态预测算法。该算法利用双向长短时记忆网络通过学习大量训练数据的时间序列特征,实现对雷达目标状态的精确预测。实验表明,该算法相较于传统非线性滤波算法,有着更好的滤波性能,并且对于雷达目标的初始发射状态变化有着更好的适应性。（2）针对炮位外推技术中的难点—低射角情况下炮弹发射点的计算问题,提出了一种基于LSTM和混合密度网络（MDN）的端到端的发射点外推方法。在低射角条件下的实验表明,该方法比传统基于弹道模型和数值积分进行轨迹外推的方法有着更好的效果。（3）针对某些领域的雷达目标数据量较小的问题,基于未知模型元学习法实现了一种快速（较少的训练步数）、高效（使用少量的训练样本）的轨迹预测方法。通过对比实验证明,在样本量较少的情况下,该方法的表现优于普通的LSTM网络预测算法。