雷达目标识别技术能够获取远程空中飞机目标的属性、类别甚至型号信息,为我军及时准确地掌握战场态势、夺取制空权提供了重要支撑。传统雷达目标识别技术在识别机型时依据模板库,通过模板匹配等方法完成识别任务。然而,由于目标的非合作性以及各种新型军机的出现,在实际中难以建立完备的模板库,这严重限制了传统识别技术的应用。相比之下,结合目标先验知识,从雷达回波中反演飞机旋翼参数的方法可不依赖模板库实现型号识别,并且具有机理清晰、稳健性好的优点。由于旋翼参数与回波之间存在高度非线性关系,现有旋翼参数估计方法难以获得解析解,因此通常采用搜索方式求解,存在计算量大,参数耦合度高等问题,限制了其应用范围。难以满足实时性要求。深度网络因具有强大的非线性拟合能力,能够较好的刻画旋翼参数与回波之间的非线性关系,并且具有较高的计算效率。为此,本文研究了基于多任务卷积神经网络的空中目标旋翼参数估计方法,主要工作如下:（1）研究了旋翼回波模型并仿真。首先推导了空中目标旋翼的回波模型。然后通过分析回波信号的时域、多普勒域和时频域的谱图,获得信号在不同维度的特征信息,为后续旋翼参数估计做铺垫。最后,在建立的回波模型基础上介绍传统的旋翼参数估计方法,包括霍夫变换、逆拉东变换、单距离多普勒干涉,并对这三种方法的性能进行了简要对比分析。（2）针对传统估计方法在实时性和独立性方面的不足,提出一种多任务卷积神经网络结构,用于同时实现多个参数的快速独立估计。多任务卷积神经网络由一个多任务共享模块和三个非共享模块构成。其中共享模块用于提取粗粒度特征,非共享模块则针对不同任务提取细粒度的特征。这种网络结构降低了估计过程中参数之间的耦合性,规避了传统方法中可能存在的估计误差传递风险。最后通过实验验证了所提方法能在保证估计成功率的前提下,实现旋翼参数的实时独立估计。（3）为了进一步改善旋翼参数估计性能,提出了一种基于注意力机制的多任务卷积神经网络旋翼参数估计方法。在多任务共享模块与非共享模块之间引入注意力机制模块SENet与SKNet,使得网络可以根据不同旋翼参数的特点,对特征进行加权从而增强有用的特征通道并抑制无效的特征通道。最后通过实验验证了所提方法能在多任务卷积神经网络的基础上,进一步提升了参数估计成功率。