随着航天技术的快速发展，太空中的空间物体数量不断增加，同时也面临着越来越多的危险和挑战，雷达反射截面（RCS）数据已经成为识别和跟踪空间物体的重要手段。在太空技术领域，越来越多的人造卫星、空间探测器和其他空间物体被投放到太空中，这些物体的数量和速度不断增加，给太空环境带来了严重的安全风险和威胁。为了保障太空安全，开展对空间物体的监测、识别和跟踪是必要的。利用雷达 RCS 数据进行空间物体智能识别技术研究，可以有效地提高对空间物体的识别准确度和效率，为太空监测和管理提供有力的支持。因此，“基于雷达 RCS 数据的空间物体智能识别技术研究”成为了当前雷达技术和太空技术领域的热门研究方向之一。该技术的研究将有助于提高空间物体的监测和识别能力，为太空领域的安全和可持续发展作出贡献。传统的对基于目标 RCS 的雷达目标识别方法主要是基于信号变换与特征提取的思想对信号进行分类和检测。通过提取目标的特征，如峰值、宽度、斜率等，进行分析和识别，从而实现对 RCS 数据的有效分类。此类方法使用范围单一，对于不同类型的目标，需要设计不同的特征提取算法，且在复杂环境下容易受到干扰。此外，部分学者在对基于目标 RCS 的雷达目标识别方法的研究过程中，采用深度学习的手段与方法，对模型进行设计。使用深度神经网络进行目标识别，通过对大量数据的学习和训练，实现对目标的自动识别。然而，现有的模型大多存在复杂环境下容易受到干扰，识别准确率受限，以及鲁棒性和泛化能力差的问题。为了克服模型准确率受限以及鲁棒性和泛化能力差的问题。我们受通信模型中，信道编码的自适应动态编码思想启发，提出了一1种可解释的自适应动态缩放卷积神经网络(Adaptive dynamicscaling of convolutional neural networks,ADS-CNN)模型，根据模型中的特征提取状态和噪声水平来自适应地调整网络结构，从而保证模型的分类能力，提高感知分类模型的性能。