飞鸟和无人机是典型的“低慢小”目标，具有低可观测性，对两者的有效监视和识别成为保障空中航路安全、城市安保等需求迫切需要解决的难题（图1、图2）。飞鸟和无人机目标类型多、飞行高度低、机动性强、雷达散射截面积小，加之探测环境复杂，给目标探测带来极大困扰，已成为世界性难题。因此迫切需要研发“看得见（检测能力强）、辨得明（识别概率高）”的无人机、飞鸟等“低慢小”目标监视手段和技术，实现目标的精细化描述和识别。
无人机和飞鸟目标种类繁多，其尺寸、形状及运动特性的不同导致目标具有不同的雷达散射特性和多普勒特性，主要特性有：(1)目标尺寸较小，散射截面积小，速度较慢，目标回波藏匿于强杂波或噪声背景中，信杂比低；(2)目标机动飞行导致多普勒扩散，目标回波难以积累；(3)雷达回波微弱，目标特征提取和估计难；(4)雷达精细化处理过程面临挑战，目标分类识别难度大。为集中展现近年来复杂场景下旋翼无人机和飞鸟目标检测与识别技术的研究进展及成果，海军航空大学陈小龙、黄勇、关键、董云龙、中国民航科学技术研究院机场研究所陈唯实、武汉大学电子信息学院饶云华等结合自身的研究积累和对国内外相关工作的深入了解，系统地总结了飞鸟与无人机目标雷达探测与识别研究中的成果。该工作已在《雷达学报》网络优先出版“飞鸟与无人机目标雷达探测与识别技术进展与展望”（陈小龙，陈唯实，饶云华，黄勇，关键，董云龙）。该文首先介绍了飞鸟和无人机探测的主要手段（图3），包括国内外探鸟雷达的研发情况、非合作无人机目标的无线电监测、音频探测、光电探测、主动和被动雷达探测和识别手段（图5），并介绍了相关的系统应用情况。然后，重点介绍了飞鸟与无人机目标检测与分类识别的技术方法，一方面从目标特性认知与特征提取方面入手（图4），介绍回波建模和微动特性认知方法、泛探模式下目标机动特征增强与提取技术以及分布式多视角微动特征提取技术，目的是提高检测能力，实现目标的精细化特征描述；另一方面结合机器学习或深度学习方法，提出目标智能识别的有效技术途径，依据运动轨迹差异实现区分无人机和飞鸟的目的。2017~2018年，受民航局机场司委托，作者团队对当前国内成熟的轻小型无人机目标监管技术进行了持续跟踪调研，基于研发的“机场雷达探鸟实验系统”，初步验证了变换域动目标检测技术、长时积累技术以及运动模式差异分类技术，并获得了国家重点研发计划、国家自然科学基金民航联合研究基金、山东省重点研发计划、民航科技项目等多项课题的资助。2019年，民航局委托航科院启动了《机场净空区无人机探测技术标准》与《机场探鸟雷达系统技术标准》两项行业标准的制定工作，将从标准层面规范飞鸟与非合作无人机目标的探测、识别与技术验证。
图3 无人机和飞鸟目标外场探测试验
图4 无人机检测结果
图5 基于数字电视信号外辐射源雷达的无人机目标监视应用场景示例
未来此方面的研究将重点围绕以下几个方面展开：雷达回波信号的精细化处理是提高检测和识别性能的前提；信号和数据特征融合是提高分类正确率的有效途径；深度学习网络为无人机和飞鸟目标智能识别提供了新的手段；新体制雷达为目标精细化处理和探测识别一体化奠定了硬件基础。由于飞鸟和无人机目标均属于“低慢小”目标，回波具有低可观测性，并且隐藏在复杂背景中，因此，对两者的有效监视和识别也极大考验和促进雷达新技术的发展和应用，相关技术也能够为其它复杂背景下的弱小目标探测提供思路。期望更多的学者能够对此领域进行深入研究，寻找更好地提高飞鸟和无人机目标探测和识别能力的方法和手段。