空间目标识别,即使用雷达获得空间目标的回波信号后,从中提取有效特征,通过分类器确定空间目标的类别属性。随着空间的战略地位日益突出,探测和识别空间目标对于空间监测系统的发展、空间资源的利用以及空间安全的保障等至关重要。本文针对窄带雷达获取的雷达散射截面积(Radar Cross Section,RCS)数据,开展空间目标识别技术的研究,主要内容包括:1.介绍了空间目标RCS的定义,重点研究了散射中心模型,基于该模型阐述了空间目标RCS数据的获取方法,为后续的空间目标识别提供数据集,最后分析了姿态、角度和大小对空间目标RCS序列的影响。2.针对时频分析和自相关类函数在空间目标RCS序列周期估计过程中容易出现鲁棒性差和倍频误判的问题,本文研究了一种将组合函数与方差分析结合的空间目标RCS序列周期估计方法。该方法首先对自相关函数和平均幅度差函数进行改进,构造了一个组合函数,相比于直接使用自相关类函数,组合函数有效地抑制了虚假峰谷点,具有较好的抗噪性,与方差分析结合后能够降低倍频误判,有效地提取空间目标RCS序列的周期特征。仿真结果表明,本文研究的方法能够提高周期估计的准确性。3.由于直接推导空间目标RCS序列与目标尺寸之间的映射关系十分困难,造成估计误差较高,因此本文研究了一种基于深度学习的空间目标RCS序列尺寸估计方法。该方法通过深度学习的方式自动建立空间目标RCS序列与目标尺寸之间的映射关系,相比于传统的方法,基于大数据训练方式的深度学习方法能够更好地挖掘上述的映射关系,有效地估计空间目标的尺寸。仿真结果表明,本文研究的方法可以降低尺寸估计的误差。4.仅使用统计特征无法有效地识别空间目标,存在识别率低的问题,因此本文研究了基于综合特征的空间目标识别。该方法使用组合函数与方差分析提取空间目标的周期特征,随后使用深度学习提取空间目标的尺寸特征,相比于统计特征,周期特征和尺寸特征增强了对空间目标特性的表征能力,最后基于综合特征对空间目标进行识别。仿真结果表明,本文研究的方法能够提高空间目标识别正确率,识别效果更稳定。