非合作空中目标，特别是低空慢速小雷达截面积无人机的扩散，对空域安全构成了复杂挑战。非合作空中目标的探测与识别是一个研究密集的领域。本文旨在对使用机器学习算法进行无人机/无人驾驶航空器、固定翼飞机及其他非合作空中目标的探测与分类，进行一次结构化的综述。本文对184项近期研究（2019-2025年）进行了系统性综述，涵盖五种关键感知模态：雷达（雷达截面积、微多普勒、高分辨率距离像）、无源感知（5G/Wi-Fi/射频）、声学感知、计算机视觉以及多模态感知。尽管单个感知模态已被广泛研究，但现有综述往往缺乏对多模态集成的整体性作战适用性评估。此外，本综述工作引入了一个新颖的作战适用性框架，该框架针对关键的部署约束（包括探测距离、视距要求、环境鲁棒性）来评估每种模态。再者，作者批判性地分析了从经典统计方法和过时的深度学习架构向先进深度学习架构的过渡，特别强调了视觉变换器以及集成感知与通信等利基技术的出现。最后，本综述指出了基于人工智能的非合作目标识别研究中持续存在的差距，并为未来多模态机器学习和传感器融合技术路径的研究提出了路线图。此外，本综述工作将为进一步加强航空航天、人员安全和重要设施安保的研究工作指引方向。

本文侧重于对用于识别非合作目标的感知方法与人工智能技术提供完整的最新综述。本综述论文的突出方面如下：

• 本综述审视了用于获取空中目标特征的各种感知方法，例如雷达、射频特征、计算机视觉、声学传感器及其组合在非合作目标识别中的应用。它对近期研究（2019-2024年）进行了结构化综述，涵盖了上述模态与前沿深度学习技术的集成。

• 本综述重点介绍了非合作目标识别中不同的特征提取（雷达截面积、微多普勒、高分辨率距离像、运动学）和数据预处理技术，并展示了不同机器学习算法在目标识别中的有效性。

• 引入了一个新颖的作战适用性框架，评估了每种传感器类型在探测距离、环境适应性和计算成本方面的实际权衡。

• 评估了新兴人工智能架构，特别是视觉变换器和多模态机器学习技术路径，在低信噪比环境下的性能。它概述了当前目标感知与分类方法的局限性，并提出了该领域未来的研究方向，包括用于分布式探测的集成感知与通信以及用于数据受限分类的物理信息神经网络。

• 汇总并分类了重要的开源数据集，以支持利用人工智能进行非合作目标识别的进一步发展。

为指导此项系统性综述，作者提出了三个主要研究问题：

• 研究问题1：当前用于非合作目标识别的单一模态感知（雷达、射频、声学、视觉）的作战边界和性能局限是什么。

• 研究问题2：新兴人工智能架构，如视觉变换器和物理信息神经网络，如何应对低信噪比和数据稀缺性等持续存在的挑战。

• 研究问题3：在实时反无人航空器系统应用中，多模态传感器融合存在哪些架构性权衡（延迟与精度）。

本文其余部分结构如下：第2节解释了用于系统性综述的检索策略，第3至6节概述了不同的感知方法及其预处理、目标探测与分类技术。第7节简要介绍了用于目标识别的不同感知模态融合。第8节呈现了对感知方法的评估，而第9节则提出了研究挑战与未来工作方向。最后，第10节提供总结性评述。