近年来,无人机违法飞行事件、鸟击事件等发生的频率逐年增加。无人机和鸟类等均属于非合作低慢小目标。由于低慢小目标飞行高度低、飞行速度慢、回波强度小,很容易被环境遮挡或淹没在环境杂波中,且存在多种干扰目标影响对低慢小目标的探测及跟踪,因此对低慢小目标的探测一直是雷达领域的难点。本文主要研究机场或城市环境下低慢小目标检测及杂波抑制问题。目标检测和杂波抑制可等效看成目标和杂波的二元分类问题,因此本文基于神经网络构建合适的分类器,实现对目标点迹和杂波点迹的分类,主要工作如下:1)构建了分类器的训练数据集并选取了合适的输入特征。本文的数据集由实测试验获得。首先,通过分析雷达的信号处理流程,给出了最终输出的原始点迹包含的信息;然后,分析并选取了分类器的输入特征;最后,采用标准化对输入特征进行预处理。2)从分类模型的选取、误差函数的选取、模型的训练算法等三部分,分别基于支持向量机和BP神经网络的设计了分类器。然后,用实测数据对分类器进行训练,并与Logistic回归进行对比,验证了分类器的性能。3)针对样本集类别不平衡问题,引入代价敏感学习改进分类器。首先分析了类别不平衡对支持向量机和BP神经网络分类器的影响;然后设计了代价敏感支持向量机和代价敏感BP神经网络;最后,采用相同的数据集对比引入代价敏感学习前后分类器的性能,验证了代价敏感分类器可有效提升少数重要类的分类准确率。