人工智能（ArtificialIntelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大。
人工智能就其本质而言，是对人的思维的信息过程的模拟。对于人的思维模拟可以从两条道路进行，一是结构模拟，仿照人脑的结构机制，制造出“类人脑”的机器；二是功能模拟，暂时撇开人脑的内部结构，而从其功能过程进行模拟。现代电子计算机的产生便是对人脑思维功能的模拟，是对人脑思维的信息过程的模拟。
弱人工智能如今不断地迅猛发展，尤其是2008年经济危机后，美日欧希望借机器人等实现再工业化，工业机器人以比以往任何时候更快的速度发展，更加带动了弱人工智能和相关领域产业的不断突破，很多必须用人来做的工作如今已经能用机器人实现。而强人工智能则暂时处于瓶颈，还需要继续努力。
人工智能在计算机上实现时有2种不同的方式。一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法（ENGINEERING APPROACH），它已在一些领域内作出了成果，如文字识别、电脑下棋等。另一种是模拟法（MODELINGAPPROACH），它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。遗传算法（GENERICALGORITHM，简称GA）和人工神经网络（ARTIFICIALNEURAL NETWORK，简称ANN）均属后一类型。遗传算法模拟人类或生物的遗传-进化机制，人工神经网络则是模拟人类或动物大脑中神经细胞的活动方式。为了得到相同智能效果，两种方式通常都可使用。采用前一种方法，需要人工详细规定程序逻辑，如果游戏简单，还是方便的。如果游戏复杂，角色数量和活动空间增加，相应的逻辑就会很复杂（按指数式增长），人工编程就非常繁琐，容易出错。采用后一种方法时，编程者要为每一角色设计一个智能系统（一个模块）来进行控制，这个智能系统（模块）开始什么也不懂，就像初生婴儿那样，但它能够学习，能渐渐地适应环境，应付各种复杂情况。这种系统开始也常犯错误，但它能吸取教训，下一次运行时就可能改正，至少不会永远错下去。
二、雷达目标识别与人工智能
目标识别技术(targetidentification technique)，是利用雷达和计算机对遥远目标进行辨认的技术，通过对雷达回波中的幅度、相位、频谱和极化等目标特征信息的分析，在数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据前期积累样本所确定的鉴别函数，在分类器中进行识别判决。现代雷达（包括热雷达和激光雷达）不但是对遥远目标进行探测和定位的工具，而且能够测量与目标形体和表面物理特性有关的参数，进而对目标分类和识别。
1、传统雷达目标识别技术及其问题
传统雷达目标识别通常采用统计模式识别理论，其中心任务就是找出某类事物的本质属性。通过雷达所跟踪目标的运动、回波等信息，提取目标稳定的且具有标志性的特征，利用已有的特征模板对提取的特征进行分类，对照隶属度对目标进行识别。传统雷达目标识别技术强烈依赖于人的先验知识和专业技能，而不同的人对识别目标的差异性规律、识别机理等基础问题掌握不可能全面，导致一般情况下均按照预先设定的识别模式工作，不具备随目标和环境变化而自动改变识别模式的能力，当环境发生变化时，仅仅依靠被动的特征提取、分类已难以获得理想的效果。通过对目标特性的长期深入分析似乎可以解决这个问题，但现实是各种新目标层出不穷，不可能等目标特性机理完全清楚了，再去研究雷达识别技术。面对日益复杂的电磁环境及密集杂波、多目标背景等挑战，为满足当前特别是未来需求，识别技术必须进一步创新发展以不断提升识别模式、识别性能，才能适应日益复杂的各种要求。
2、人工智能在雷达目标识别技术中的应用前景
随着人工智能技术的迅速发展，基于深度学习、迁移学习等人工智能在军事领域应用技术也受到国内外广泛关注，许多专家、学者均提出了采用智能识别技术进行目标和环境特征提取和模式识别等任务，实现雷达对非合作目标的有效识别。美国国防部国防创新试验小组也明确指出AI关注重点：能够为实时对抗服务的人工智能和机器学习。
目前，基于深度学习方法对不同形式雷达数据进行处理，针对不同雷达成像原理集信号处理方法，可以得到不同形式的雷达数据。如合成孔径雷达图像、高分辨距离像、微多普勒图谱以及距离多普勒图谱等。主流的研究思路主要基于生成各种不同雷达图像，利用深度学习网络对图像进行处理。利用深度学习网络对雷达数据处理的思路主要是在宏观角度的阐述，深度学习与常规雷达识别技术最主要差异在于采用特征的不同，技术途径也因特征提取的方法不同而具有一定的差异。
常规雷达识别区别于深度学习，最主要的差异在于采用的特征不同。常规雷达识别借助专业技术人员的经验进行特征提取，采用窄带统计特征、宽带散射中心、微动等反映了目标散射机理的特征，具有一定的物理含义，称为物理特征。物理特征主要通过专业人员对数据的深入分析后进行特征提取，从而建立识别特征库，但在有限样本情况下对复杂函数的表示能力有限，针对复杂问题泛化能力受到一定的限制。
而深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。通过计算机自动的逐层特征变换，可以学习到输入数据的内在特征，使得分类识别更加容易，同时模型结构的深度化也使得对复杂函数的特征表示能力更。深度学习识别最主要的特点是自动提取特征，减少了技术人员对专业知识的依赖程度。
参考文献：李波 任红梅 肖志河。“转自《军事文摘》”