本文发表于 *Chinese Journal of Aeronautics*，作者包括来自清华大学深圳国际研究生院的 Yaowen Li 以及清华大学电子工程系的 Chuan Huang、Shengyi Zhang、Lai Jiang、Qiying Hu、Yu Liu 和 You He。该文于2026年被接收，是一篇关于基于人工智能的雷达信号处理技术的综合性综述。

本文的核心主题是系统梳理人工智能（AI）技术在雷达信号处理各关键环节中的最新进展、发展趋势及面临的挑战。文章首先回顾了雷达技术从单脉冲测距向多功能复杂系统演进的历程，并指出传统统计信号处理方法在复杂动态环境中因依赖精确先验知识而性能受限。与此同时，AI技术经历了从经典机器学习（如支持向量机、决策树、K-Means聚类）到深度学习（如卷积神经网络CNN、循环神经网络RNN、生成对抗网络GAN、Transformer），再到大规模AI模型（如大语言模型、多模态大模型、科学计算大模型）的三阶段发展，为雷达信号处理范式的革新提供了方法论与硬件基础。

文章主体部分按照雷达信号处理流程的关键阶段，系统论述了AI技术如何增强雷达的核心功能。

在波形设计方面，传统方法在恒定模量、低峰均功率比等严格约束下求解优化问题，计算代价高且难以适应动态环境。基于深度学习的智能波形设计通过神经网络和强化学习框架实现了多目标联合优化，例如在低截获概率（LPI）场景下利用CNN进行自适应特征构造与识别；在脉内波形设计中，采用强化学习根据反馈自适应调整发射波形以提升目标检测精度；在脉间参数优化中，强化学习被用于动态选择脉冲重复间隔（PRI）以应对目标机动和干扰威胁。深度神经网络、残差网络、自编码器等架构也被广泛应用于恒模序列生成与发射波束方向图综合。尽管取得进展，但深度学习的黑箱特性带来的可解释性问题、数据稀缺与标签不平衡、以及实时系统集成复杂度仍是关键挑战。

在目标检测方面，文章根据输入数据域将方法分为四类。原始信号域方法直接从回波数据中学习，早期将回波输入人工神经网络（ANN）或多层感知器（MLP），但性能有限；后续研究将恒虚警率（CFAR）思想融入可学习峰值感受野，并引入FFT启发式变换层与Swin Vision Transformer以提取频域信息；时空图神经网络（GNN）也被用于无预处理的目标检测。频域方法利用距离-多普勒（RD）谱的二维图像结构，采用3D CNN、峰值感受野卷积、图神经网络等模型，并通过多帧数据融合与降维交替全连接模块应对低信噪比与重尾杂波。时频（TF）域方法通过短时傅里叶变换（STFT）、Wigner-Ville分布（WVD）等获取非平稳时变特征，CNN、非对称卷积模块、残差脉冲网络等被用于特征提取与高效检测。多域融合方法则结合时域、频域、时频域特征以提升检测性能，例如采用VGG16与LeNet分别提取时频域与时域特征后融合，或利用双向长短期记忆网络（Bi-LSTM）融合瞬时相位、多普勒谱熵与边缘谱等序列特征。不同信号域各有优劣：时域计算高效但语义信息不足，频域主要捕获平均速度信息，时频特征可揭示精细微动特性但计算负担大，多域融合描述更全面但复杂度更高。总体而言，复杂场景、异构杂波、数据稀缺及低信噪比仍是智能目标检测面临的现实难题。

在目标识别方面，文章详细讨论了高分辨距离像（HRRP）、合成孔径雷达（SAR）、极化特征与时频特征四个子领域。HRRP识别方法分为特征工程与深度学习两条路线：特征工程依赖强散射点数量与空间分布、频域特征等启发式特征，结合因子分析、主成分分析、流形学习与压缩感知进行降维，分类器包括高斯混合模型、隐马尔可夫模型等；深度学习方法采用CNN提取局部峰值形状与幅度变化，门控循环单元（GRU）建模距离单元间序列依赖，Transformer则能捕获全局散射结构但计算成本高且在小样本下易过拟合。SAR识别面临少样本、类别不平衡、目标遮挡等挑战，研究通过全局与局部描述子度量网络（GLMNet）、无监督域自适应、注意力散射与上下文网络、遮挡仿真与散射中心几何保持等方法应对。极化特征识别中，特征工程利用极化分解与旋转不变特征，深度学习则通过CNN、LSTM、Vision Transformer等自动学习空时特征，并利用生成对抗网络、迁移学习与自监督学习缓解数据获取成本高与类别不平衡问题；物理引导的深度学习模型开始将极化散射机制等先验知识嵌入网络。时频特征识别方面，CNN、LSTM、深度卷积自编码器与Transformer被用于微多普勒特征分类，人体活动与无人机类型识别准确率可达98%至100%。

在目标跟踪方面，AI方法主要分为端到端方法与混合模型-数据驱动方法。端到端方法早期利用LSTM估计目标状态，但仅依赖过去测量导致对快速机动反应慢；双向LSTM（DeepMTT）通过联合利用过去与未来测量提高了机动目标跟踪精度；Transformer模型（TRMTT）采用编码器-解码器结构与多头注意力建模长程时序依赖，直接学习运动模型切换。混合方法将深度学习与传统统计方法结合，例如用RNN或GRU在线估计过程噪声协方差以增强Kalman滤波器的鲁棒性；模型辅助的数据驱动跟踪框架并行构建数据驱动演化模型与运动学模型，并通过判别网络加权融合输出以降低机动峰值误差。特征辅助跟踪利用回波幅度、HRRP或距离-多普勒谱作为辅助特征提升目标-杂波判别与数据关联，但特征泛化能力仍是关键。航迹融合中，图神经网络、双对比神经网络与异构图神经网络被用于解决中断航迹关联与多源航迹关联问题。

在杂波抑制与抗干扰方面，传统空时自适应处理（STAP）依赖精确协方差估计与均匀杂波假设，对模型失配敏感。AI方法通过直接学习杂波几何与非线性相关性实现更强适应性，例如循环结构网络结合目标一致性损失抑制海杂波，YOLOv3框架联合检测与动态杂波抑制，复数U-Net进行复数特征提取与多级融合。抗干扰方面，主动干扰对抗通过复数卷积神经网络、功率谱特征提取与Transformer-CNN混合模型识别干扰类型，并利用分层深度强化学习、自适应强化学习与去中心化Q学习实现频率捷变与抗干扰决策。无源干扰识别中，SVM、CNN-CCR、时间卷积网络与XGBoost+LSTM等模型对角反射器与箔条干扰的识别准确率在81%至100%之间。

在雷达成像方面，深度学习SAR成像方法分为数据驱动与混合模型-数据驱动两类。数据驱动方法包括增强成像（如残差学习去斑、自监督去斑SAR2SAR）与端到端成像（如复数CNN、深度自编码器、联合优化成像与下游任务）。混合方法包括深度展开网络（将ISTA或ADMM迭代展开为神经网络层）与即插即用（PnP）框架（将预训练深度网络嵌入迭代优化），后者兼具可解释性与灵活性但依赖预训练网络质量。

文章还概述了硬件支持，比较了DSP、FPGA、CPU、GPU与ASIC在雷达信号处理中的优缺点，指出FPGA在功耗与实时性约束下具吸引力，并介绍了基于流水线的CNN加速架构与动态可重构乘法累加阵列等优化方法，以及剪枝与量化等网络压缩技术。

在新兴应用方面，智能雷达在医疗健康（睡眠监测、步态分析、家庭健康监测、心理压力监测）、智能交通（车载毫米波雷达目标检测、高精度定位与建图、路侧感知）、海洋监测（舰船识别、溢油检测）与通感一体化（ISAC波形设计、波束赋形、信号处理）等领域展现出广泛潜力。

文章最后总结了AI雷达信号处理面临的实际限制：样本不平衡导致少数类漏检率高，可通过Focal Loss、GAN数据生成与自监督学习缓解；过拟合源于数据稀缺，可利用大语言模型先验知识、深度展开与元学习应对；低数据质量使表征被噪声过拟合，选择性表征、压缩感知与扩散模型去噪是可行方案；泛化性差源于环境非平稳性，增量学习与雷达基础模型是潜在出路；高复杂度与可解释性缺失也分别通过模型压缩、神经架构搜索及事后解释、神经符号推理、领域知识嵌入等途径改善。未来趋势包括轻量化技术、环境自适应技术、可解释AI技术、大语言模型应用于雷达信号处理以及认知、元认知与分布式雷达架构的发展。

本文的学术价值在于提供了一个结构清晰、覆盖全面的智能雷达信号处理技术综述，将算法、硬件与应用有机结合，为研究者把握该领域最新进展与未来方向提供了重要参考。