对无人机等“低慢小”目标的探测与识别技术随着“低慢小”目标广泛的应用和严重的潜在威胁越来越受到重视。本文研究了基于多维特征融合和有向无环图多层分类器的“低慢小”目标自动识别分类技术。论文创新性地提出了一个完整的“低慢小”自动目标识别方法以及完整的自动目标识别链,并采用全息凝视雷达系统采集的多种空中实测“低慢小”目标数据进行实验与分析。“低慢小”目标的自动识别分类方法主要包括两个关键步骤:目标多维特征的选择与提取和多目标分类器的设计。完整的自动目标识别链包括原始采集实测数据的预处理,RCS、微多普勒和运动多维特征的提取,基于有向无环图的多层融合识别分类器框架的设计以及多层分类器对输入目标数据的学习训练与预测识别。主要工作以及成果如下:（1）论文对多旋翼无人机、直升机和鸟三种典型“低慢小”目标的雷达回波信号进行详细的数学建模和理论推导,分析旋翼的尺寸、数目、转动频率以及鸟翼的尺寸和扇动频率对雷达回波的影响。将三种目标的仿真调制回波信号与实测数据对比,从理论和实际测量的角度分析三种“低慢小”目标运动和目标上微动部件对回波的调制效果,为后续特征提取和目标识别提供理论支撑。（2）论文详细介绍了目标多维特征的选择与提取。从微多普勒维度、RCS维度和运动维度提取目标中用于识别的有效特征。对微多普勒维度,重点研究了微多普勒瞬时频率的理论分析和联合时频分析,多普勒调制谱的获取与预处理算法以及特征提取算法。预处理操作是优化多普勒调制谱的成分显示,突出微弱的微多普勒边频信息。主要包括多普勒调制谱正则化处理和主频对齐等操作,对预处理后的多普勒调制谱进行极大值检测和微多普勒特征提取。然后对RCS维度和基于航迹的运动维度进行特征选择与提取。从三个维度上选取了六个有效的特征作为后续分类器的输入,用于“低慢小”目标识别。（3）针对直升机、旋翼无人机、固定翼无人机和鸟等典型“低慢小”目标设计了基于多维特征融合和有向无环图的多层融合识别分类器的目标识别分类方法。创新地设计了多维特征的多层融合识别分类器框架,提出了多维特征融合分类和等权重多个单维度分类器加权分类两种分类准则。采用设计的多层分类器对两种分类准则,K近邻（KNN）,支持向量机（SVM）和BP神经网络三种非线性分类器以及从三个维度提取的六个有效识别特征进行目标分类识别实验。实验结果比较了输入特征的数目、RCS、微多普勒和运动不同维度的特征、三种分类器以及两种分类准则对分类方法识别性能的影响。实验结果表明基于KNN分类器的多维特征融合的分类方法最优,无论是从分类准确率还是分类时间都优于其他设计方案,最终得到五种典型“低慢小”目标97.62%的识别准确率。最后将本文提出的识别方法和得到的实验结果与现有的国内外其他识别方案进行对比,结果表明本文提出的多维特征融合和基于有向无环图的多层分类器的识别分类方法性能优越,很好地解决了复杂自然环境中“低慢小”目标的识别问题。最后,对论文主要工作进行了总结,并指出了未来的研究方向以及需要深入研究和解决的问题。