机动类型识别在目标运动预判中具有大量研究价值,近年来也受到了学术界越来越多的关注。在民用领域,自动驾驶中通过识别机动类型,提前提醒驾驶员以提高安全系数。在军工领域,空战中通过识别机动类型,以知晓敌方的战术意图并迅速做出应对措施。空中目标的飞行,特别是战机的飞行,不会保持持续的近似匀速直线飞行,而是会做大量的机动运动,瞬间改变飞行方向、速度和加速度等。空中目标的机动类型存在多种多样,而能够识别出空中目标的机动类型,特别是一些基本和常见的机动类型,对国防军事领域将产生积极有益的作用。人工神经网络是人工智能领域兴起的研究热点,它从信息处理的角度对人脑神经元网络进行抽象,建立某种模型。最近十多年来,人工神经网络的研究工作不断深入,已经取得了很大的进展,人工神经网络在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题。虽然人工神经网络表现出了良好的智能特性,但其是一个黑箱算法。散射变换以小波分析为基础,学习到的特征具有很强的解释性,它通过迭代方向复小波分解、模运算及局部平均获取信号的特征描述,解决了小波变换随时移变化的缺点,是一种具有平移不变性、局部形变稳定性和丰富信息特征表示的算法,在信号处理中具有良好的效果。本文以空中目标机动类型识别为研究目标,基于深度学习进行实验,对向左、右、上、下、S型、J型、眼镜蛇、尾冲、榔头和直升机机动10种机动类型识别的算法和性能等开展研究。本文的主要工作如下:1.研究了机动运动、机动运动模型与机动类型。本文介绍了机动运动的具体定义,以及适用于本研究实验数据集的机动运动模型,并且介绍了各种机动类型的运动状态及其机动意图。相关研究为机动类型数据集的构建奠定了基础。2.研究了有关算法,并创新地提出了解决问题的新方法。针对传统的机动类型识别方法繁杂的算法设计、低准确率和低鲁棒性的问题,本文研究了基于深度学习的一些常规的神经网络算法。考虑到神经网络缺乏可解释性,将散射变换引入到机动类型的识别算法中,实验了基于散射变换的神经网络算法,创新地提出了基于散射变换的全连接网络和基于散射变换的双向长短期记忆网络。相关研究为后续实验以及机动类型的识别研究指明了方向。3.通过实验对所提出的新算法进行了多方面的讨论。首先实验了高斯朴素贝叶斯、支持向量机和梯度提升决策树3种传统的分类算法,然后通过Py Torch深度学习框架实验了全连接网络、双向长短期记忆网络,以及新提出的基于散射变换的全连接网络、基于散射变换的双向长短期记忆网络。利用Tensor Board记录训练的准确率及损失变化情况,并对比了不同程度噪声、不同加速度以及不同角度偏移情况下的各算法性能。经过实验结果对比分析,研究表明基于散射变换的双向长短期记忆网络对空中目标机动类型的识别达到高准确率,在测试集上正确率达到了99%。本论文采用数据驱动的方式,利用大量实验样本,结合散射变换与神经网络的特点设计了算法,实现了一种高效的机动类型识别方法,并且设计了Qt识别界面,为机动目标及空中目标机动类型识别的后续研究奠定了基础。