自動目標識別別 (ATR) 是算法或設備根據從傳感器獲得的數據識別目標或其他對象的能力。

目標識別最初是通過使用接收信號的聲音表示來完成的，訓練有素的操作員會破譯該聲音以對雷達照射的目標進行分類。 雖然這些訓練有素的操作員取得了成功，但已經開發并繼續開發自動化方法，以提高分類的準確性和速度。 ATR 可用于識別人造物體，例如地面和空中交通工具，以及生物目標，例如動物、人類和雜亂植物。 這對于從識別戰場上的物體到過濾掉多普勒天氣雷達上大群鳥類造成的干擾等方方面面都非常有用。

可能的軍事應用包括一個簡單的識別系統，例如 IFF 應答器，并用于其他應用，例如無人駕駛飛行器和巡航導彈。 越來越多的人對在國內應用中使用 ATR 表現出興趣。 已經對使用 ATR 進行邊境安全、安全系統識別地鐵軌道上的物體或人員、自動車輛等進行了研究。

目標識別的歷史幾乎與雷達一樣長。 雷達操作員將通過反射信號接收到的音頻表示來識別敵方轟炸機和戰斗機（參見二戰中的雷達）。

多年來，目標識別都是通過向操作員播放基帶信號來完成的。 收聽此信號，訓練有素的雷達操作員可以識別有關被照目標的各種信息，例如車輛類型、目標大小，甚至可以區分生物目標。 但是，這種方法有很多限制。 操作員必須針對每個目標的聲音進行培訓，如果目標高速行駛，則可能聽不見，而且人為決策因素會導致出錯的可能性很高。 然而，這種以可聽方式表示信號的想法確實為目標的自動分類提供了基礎。 已開發的幾種分類方案使用基帶信號的特征，這些特征已用于其他音頻應用（例如語音識別）。

雷達通過計算發射信號從該信號照射的目標返回所需的時間來確定物體的距離。 當這個物體不靜止時，它會導致頻率偏移，稱為多普勒效應。 除了整個物體的平移運動之外，物體的振動或旋轉也會引起額外的頻率偏移。 當發生這種情況時，多普勒頻移信號將被調制。 這種導致信號調制的額外多普勒效應稱為微多普勒效應。 這種調制可以具有特定的模式或特征，這將允許為 ATR 開發算法。 微多普勒效應將根據目標的運動隨時間變化，從而導致時間和頻率變化的信號。

該信號的傅里葉變換分析是不夠的，因為傅里葉變換不能解釋時變分量。 獲得頻率和時間函數的最簡單方法是使用短時傅立葉變換 (STFT)。 然而，可以使用 Gabor 變換或 Wigner 分布函數 (WVD) 等更穩健的方法來提供頻域和時域的同時表示。 然而，在所有這些方法中，都會在頻率分辨率和時間分辨率之間進行權衡。

一旦提取了該光譜信息，就可以將其與現有數據庫進行比較，該數據庫包含有關系統將識別的目標的信息，并且可以決定被照亮的目標是什么。 這是通過對接收到的信號建模，然后使用xxx似然 (ML)、多數表決 (MV) 或xxx后驗概率 (MAP) 等統計估計方法來決定庫中的哪個目標最適合使用構建的模型來完成的 接收到的信號。

已經完成的研究采用語音識別中使用的音頻特征來構建自動目標識別系統，該系統將根據這些音頻啟發系數識別目標。 這些系數包括

• 線性預測編碼 (LPC) 系數
• 倒譜線性預測編碼 (LPCC) 系數
• 梅爾頻率倒譜系數 (MFCC)。

處理基帶信號以獲得這些系數，然后使用統計過程來確定數據庫中的哪個目標與系數最相似。