海面目标探测是海洋科学的重要研究课题之一,是海洋救援、环境监测、国家安全监测等应用的关键技术,在建设海洋强国的时代背景下更显意义重大。在海面目标探测中,雷达探测回波数据中不仅包括目标的反射信号,也包含由复杂海面散射回来的信号,该信号被称为海杂波。海杂波是影响探测性能的最主要因素,这是因为海杂波信号结构复杂、随机性强且波动幅度大,往往会掩盖目标本身的信号,给海面目标探测造成极大的困难。本文主要从空间相关性和经验模态分解两个角度提取能够有效区分目标信号和海杂波的特征并构建二维特征空间,同时基于机器学习算法设计检测器,以提升海面目标探测性能。本文的主要研究内容和成果如下:首先,本文研究了雷达数据的空间互相关性特征。在雷达分辨率较高或者掠射角较低时,回波信号在时域和空域都会呈现较强的相关性,但鲜有研究将这种特征作为探测的主要依据。本文利用经典的相关性定义分析实测数据,并通过可视化结果发现雷达数据在空间维度上存在着的相关性特征,这种特征可以有效区分目标信号和海杂波信号,因而可以作为一种主要的目标检测特征。进一步,为充分利用雷达数据的随机非平稳性信息,本文引入时变信号分析的方法,以构造更加稳健的时变交叉相关性特征(TVC),从而服务于后续海面目标检测器的设计。然后,本文研究了基于经验模态分解(EMD)的目标探测方法。EMD分解是希尔伯特-黄变换的关键步骤,是一种注重实际物理含义的自适应信号分析方法。对于海面目标探测而言,EMD分解能将回波信号中不同尺度的物理波动趋势分离开,从而能够更好地获取海杂波和目标信号的不同规律。本文通过分析和比对雷达信号经EMD分解后各阶分量的结果,发现海杂波和目标信号在经验模态能量分布上有不同规律,并将这种规律提取为一种检测特征,定义为相对经验模态能量(REME)。不同于已有研究中仅考虑单一分量或者低阶分量的方法,本文设计的特征综合了EMD分解的高阶分量和低阶分量的特征,能够实现更加稳定的检测效果。最后,本文联合时变交叉相关性和相对经验模态能量特征构造二维特征空间。测试结果显示,该特征空间相较于单一特征可以更好的区分海杂波和目标信号。为获得更好的分类效果、实现完整的检测流程,进一步采用支持向量机算法设计检测器。结果表明,本文提出的方法能够有效提升海面目标探测性能,在低虚警概率、低信杂比等更加苛刻的条件下效果更加突出,其中在雷达VV极化模式下、虚警概率为0.001时的检测概率相比其它方法提高了10%左右。