自然界中的许多物体在运动时,除了目标主体的平动外,还具有振动、摆动、旋转等微运动并在多普勒频率周围产生额外的调制,这种现象就是微多普勒效应。作为目标独一无二的特征,微多普勒效应可以作为目标识别的依据。而随着现代飞行控制技术的进步,无人机进一步发展,被广泛用于进行地面目标监测与侦察,而这些应用的前提就是无人机载雷达能够对地面目标进行准确分类。因此,本文重点研究了无人机载雷达对轮式车辆、履带式车辆和行人这三种典型地面目标的微多普勒信号建模、具有高区分度的微多普勒特征提取、无人机载雷达对地面目标的准确智能分类。主要开展了以下研究工作:1、基于振动、旋转、摆动三种典型微动模型,分别建立无人机载雷达对轮式车辆、履带式车辆和行人的微多普勒信号模型,推导相关微多普勒调制数学表达式。仿真结果表明,三种地面目标的微多普勒调制差异,可以作为分类识别的依据。基于此,针对轮式和履带式两种典型地面车辆,分别从双谱和奇异谱角度对车辆多普勒信号进行变换,定义并提取特定的微多普勒特征,送入支持向量机进行训练与分类识别。由于地杂波和噪声的三阶累积量为零,双谱估计对角切片作为三阶累积量的一维傅里叶变换,能有效抑制地杂波和噪声,仿真结果表明,当多普勒信号的SNR（Signal-to-noise Ratio）仅为15 d B时,双谱估计方法对两种车辆的识别率已超过92%。相比于双谱估计方法,奇异分解与重构通过特定的奇异值和对应的奇异向量进一步分离指定的微多普勒分量,不仅利用了微多普勒信号的幅度和能量信息,还利用了两种车辆的微动结构差异。通过令代表地杂波和噪声的奇异值为零,奇异分解与重构可以更有效地去除杂波干扰,即使信噪比只有5 d B,奇异分解与重构方法的识别率已接近100%,而此时双谱估计的识别率只有81%。2、轮式车辆和行人的微多普勒调制具有高度相似性,提出一种能够在频域分离微多普勒分量、细化相似频谱、增强微多普勒特征的压缩感知方法。首先,利用主成分分析方法对地杂波进行抑制,接着,基于傅里叶基将多普勒信号稀疏表示。然后,通过正交匹配追踪算法对随机投影后的微多普勒信号进行重构,在频域上分离微多普勒分量。最后,从重构信号的细化频谱中提取具有高区分度的微多普勒特征,送入在解决非线性多分类问题上比支持向量机更具有优势、结合遗传算法与基于误差反向传播算法的GA-BP（Genetic Algorithm-Back Propagation）神经网络,进行地面人车的分类识别。当SNR为15d B时,双谱估计和奇异谱方法对地面人车的识别率分别仅有69.13%和86.22%,压缩感知方法对地面目标的识别率则为89.67%。3、压缩感知方法细化了频谱,降低了轮式车辆和行人的频谱相似性,但没有充分利用两种车辆的微动结构差异。因此,提出一种既能够利用目标微动结构差异,又能精确划分频谱的改进集合经验模态分解方法。能根据多普勒信号中的噪声和高频小分量的标准差自适应确定集合经验模态分解算法中添加的高斯白噪声的标准差和分解次数,从高频到低频,依次分解微多普勒信号分量,以更小的计算量获得更好的分解效果。从分解得到的本征模函数频谱中提取微多普勒盒维数、信息维数和网格维数,构成具有高区分度的三维分形特征空间,利用GA-BP神经网络进行分类识别,当信噪比仅为15d B时,识别率仍然达到91.27%,高于现有分类方法。4、基于机器学习的目标分类方法均需要根据信号处理结果和分类情形,定义不同的微多普勒特征,不具有自适应性,分类器也不具备统一性。因此,提出一种基于深度卷积神经网络的无人机载雷达对地面人车智能分类方法。首先,利用奇异分解与重构对目标多普勒信号进行预处理,抑制地杂波和噪声。其次,对预处理后的多普勒信号进行时频变换和二值化操作,提高时频图像中的微多普勒包络的对比度。最后,基于Alex Net网络,随机选取一定比例的多普勒信号二值时频图像作为训练样本,进行迁移学习,更新网络权重系数。Alex Net网络的输入是时频图像,输出就是分类结果,不仅可以避免复杂的特征提取过程,网络的多层结构也可以自主学习更多微多普勒特征。当信噪比仅为15d B时,本方法的识别率已经超过97%,当信噪比低于5d B时,识别率仍然超过70%。5、构建了一套无人机载雷达对地面目标分类识别实验系统,首先,利用毫米波雷达原理样机进行行人姿态识别实验,利用深度卷积神经网络学习预处理后的多普勒信号,识别原地踏步、步行和慢跑三种姿态,识别率达到96.67%,表明设计的雷达原理样机可以有效反映目标的微动。然后,通过无人机挂载的方式,对行人、轮式车辆和履带式车辆三种地面目标进行探测,基于奇异分解与重构方法对采集到的地面目标多普勒信号进行杂波抑制和去噪,将预处理后的二值时频图像送入深度卷积神经网络进行目标分类,识别率达到96%。