下载掌阅APP，畅读海量书库
立即打开
通过长时间相参积累可以改善回波SNR，进而提高雷达对弱目标的探测性能。然而，高速目标在长时间相参积累过程中会发生距离走动和多普勒走动等问题，导致传统的相参积累方法失效。近二十年来，针对高速机动目标长时间相参积累中的距离走动和多普勒走动等问题，国内外学者进行了大量研究。根据目标的机动性和相应的运动状态，这类研究工作可以分为以下3类。
（1）匀速运动高速目标长时间相参积累方法，主要针对的是稳态巡航或者匀速爬升状态下的高速目标。
（2）匀加速运动高速目标长时间相参积累方法，主要针对的是俯冲攻击或者加速爬升状态下的高速目标。
（3）变加速运动高速目标长时间相参积累方法，主要针对的是周期跳跃飞行或者变轨运动状态下的高速目标。下面将依据这3类目标的顺序对长时间相参积累方法的研究现状进行详细介绍。
在长时间相参积累信号处理过程中，匀速运动高速目标的速度会引起一阶距离走动（First-order Range Migration，FRM），导致回波信号能量分布在不同的距离单元内。此时，为了实现有效的相参积累，必须先校正一阶距离走动（又称为线性距离走动）。国内外学者针对匀速运动高速目标的一阶距离走动校正与相参积累问题展开研究，并提出了一系列方法。按照是否需要进行运动参数搜索，可以将这些方法分为参数搜索和非参数搜索两大类。
基于参数搜索的匀速运动高速目标相参积累方法主要有梯形变换（Keystone Transform，KT） [65-68] 、Radon傅里叶变换（Radon Fourier Transform，RFT） [69-71] 以及坐标系旋转-运动目标检测（Axis Rotation-Moving Target Detection，AR-MTD） [72] 等。
1999年，DiPietro研究了合成孔径雷达（Synthetic Aperture Radar，SAR）成像中的目标距离走动问题，提出了基于KT的相参积累方法 [65] ；通过距离频率-慢时间平面上的尺度变换校正目标的距离走动，进而实现了回波信号能量的相参积累。随后KT被应用到了脉冲多普勒雷达当中，实现了弱目标的相参积累检测 [66-67] 。但是，KT通常需要利用sinc插值实现，会带来一定的积累性能损失。为此，Zhu等人于2007年提出了基于Chirp-Z变换（Chirp-Z Transform，CZT）的KT实现方法 [68] ，无须插值处理，能够避免插值损失并降低计算复杂度。然而，对于高速目标，目标速度对应的多普勒频率往往高于脉冲重复频率，导致多普勒模糊，出现欠采样现象。此时，为了不影响距离走动校正与相参积累性能，在进行KT处理的过程中，还需要对目标的多普勒模糊数进行搜索，相应的计算代价会提高。
2011年，Xu根据目标的速度与距离走动以及多普勒频率之间的耦合关系，提出了基于RFT的相参积累方法 [69] 。该方法通过距离-速度域上的二维参数搜索抽取出回波信号，并构建多普勒匹配滤波器，进而实现回波信号能量的同相叠加。RFT的本质是沿搜索的运动轨迹抽取并积累回波信号能量。每个距离与速度的搜索值组合对应一条待搜索的运动轨迹，相应地会有一个RFT积累输出。当距离与速度的搜索值分别和目标真实距离与速度相匹配时，回波信号能量被完整抽取并相参积累，形成最大峰值。随后，Xu等人证明了高斯白噪声背景中RFT是最优检测器，它能够实现最大似然估计。
然而，由于离散脉冲采样、有限的距离分辨率以及积累时间受限等原因，RFT的积累结果中会产生峰值较高的盲速旁瓣（Blind Speed Sidelobe，BSSL），导致严重的虚警 [70] ，不利于多目标情况下的相参积累与目标检测。针对RFT的BSSL抑制问题，Xu推导了BSSL的解析表达式，提出了基于加窗处理的BSSL抑制方法 [70] 。然而，该方法会引起3dB左右的积累性能损失。为此，Qian提出了一种基于子孔径重复间隔（Sub-Aperture Repeat Interval，SARI）设计的BSSL抑制方法 [73] ，通过联合处理两个不同子孔径的RFT输出，可以有效地抑制BSSL。但是，SARI方法需要很大的计算复杂度，而且对积累时间的利用率只有50%。针对RFT需要二维搜索从而导致计算复杂度较大的问题，2012年，Yu提出了频率槽RFT（Frequency Bin RFT，FBRFT）以及子带RFT（Sub-band RFT，SBRFT）两种快速实现方法 [71] 。但这两种方法针对的只是低速目标，并且没有考虑高速目标情形下的盲速旁瓣问题。
2014年，Rao等人根据运动轨迹和慢时间轴间的夹角以及目标速度之间的耦合关系，提出了基于坐标系旋转（Axis Rotation，AR）的相参积累方法 [72] ，即首先通过二维回波数据的旋转校正距离走动，随后利用慢时间维（也称慢时间）傅里叶变换实现回波信号能量的相参积累。AR方法需要搜索目标运动轨迹与慢时间轴间的旋转角，每个搜索旋转角对应一条旋转后新的运动轨迹。当搜索旋转角与真实夹角相等时，运动轨迹与慢时间轴保持水平，距离走动得到校正。然而，在AR积累信号处理过程中，存在能量峰值偏移与多普勒频率变化问题，导致积累后的能量峰值位置不在目标初始距离单元内，影响目标初始距离的估计。
基于非参数搜索的匀速目标相参积累方法主要有尺度傅里叶逆变换（Scaled Inverse Fourier Transform，SCIFT） [74] 、频域去斜梯形变换（Frequency Domain Deramp Keystone Transform，FDDKT） [75] 、频域SCIFT（Frequency Domain SCIFT，FDSCIFT） [76] 、序列翻转变换（Sequence Reversing Transform，SRT） [77] 、距离频率多项式相位变换（Range Frequency Polynomial-Phase Transform，RFPPT） [78] 以及相邻回波互相关（Cross-Correlation of Adjacent Echoes，CCAE） [79] 等。
2015年，Zheng等人提出了基于对称自相关函数与SCIFT的高速目标相参积累方法，首先通过频域自相关将回波变换到距离频率-慢时间时延域，随后利用SCIFT积累的目标能量峰值估计目标速度，最后利用速度的估计值构造补偿相位函数校正距离走动。基于SCIFT的相参积累方法通过FFT、复乘以及快速傅里叶逆变换（Inverse Fast Fourier Transform，IFFT）就可实现，无须搜索目标速度，极大地降低了计算代价 [74] 。随后，Zheng研究了基于FDDKT处理的距离走动校正与相参积累方法，指出FDDKT可以获得比SCIFT更好的抗噪声性能与旁瓣抑制能力 [75] 。此外，在SCIFT方法的基础上，Niu等人在2017年提出了一种基于FDSCIFT的快速实现方法，进一步降低了计算复杂度 [76] 。SCIFT、FDDKT以及FDSCIFT这3种方法都是基于回波信号的频域自相关，可避免参数搜索，计算复杂度较小。但是，相关处理后方法的积累性能有损失，不利于低SNR下的目标积累检测。
除了基于频域相关变换的方法外，诸多学者还提出了基于时域相关变换的非参数搜索相参积累方法。
2017年，Li等人提出了SRT匀速目标相参积累方法，通过沿慢时间维对回波数据进行翻转实现时域相关变换，进而校正距离走动并完成能量的积累 [77] 。SRT方法可以避免参数搜索，但无法根据积累处理结果直接估计出目标的速度。同年，Li等人提出了RFPPT的匀速目标相参积累方法，首先通过对回波信号做慢时间自相关变换实现一阶距离走动校正，随后利用IFFT估计目标速度，最后通过MTD实现目标能量的相参积累 [78] 。RFPPT方法需设计相应的慢时间时延变量，对参数变化较为敏感。2019年，Zhang等人提出了基于CCAE的非搜索相参积累方法，通过对相邻回波信号做时域互相关变换积累目标能量并估计目标参数，使计算复杂度显著降低 [79] 。与RFPPT相比，CCAE方法的相邻互相关操作可以避免引入新的时延变量。此外，CCAE方法能够积累距离扩展目标不同散射体的能量，适用于宽带雷达的高分辨场景。SRT、RFPPT与CCAE这3种方法都是通过回波信号时域相关变换避免参数搜索，从而降低计算代价的。然而，进行时域相关变换会导致多目标积累时出现交叉项，使低SNR下的积累性能降低。
与参数搜索类方法相比，基于非参数搜索的匀速目标相参积累方法可以通过回波信号的相关操作避免搜索过程，从而减小计算复杂度。但是，非参数搜索类方法对回波SNR的要求更高，难以适用于低SNR下回波信号能量的相参积累。参数搜索类方法虽然能够实现更低SNR的有效积累，但计算复杂度更高，且往往存在BSSL效应或多普勒模糊问题。因此，研究并设计低SNR环境中能够避免BSSL效应与多普勒模糊的匀速目标相参积累方法，具有一定意义。
此外，需要指出的是，上述匀速目标相参积累方法（包括参数搜索类与非参数搜索类）均基于窄带“停走”模型，忽略了目标的脉内运动，相应的相参积累方法的设计也没有考虑脉内运动对回波信号脉压与积累的影响。
但是，随着高分辨成像与远距离探测需求的提升，实际应用中需要具有大时宽带宽积（高平均功率）雷达。在大时宽带宽积的条件下，使用传统脉冲压缩方法的输出结果存在失配效应，包括包络中心偏移、峰值下降和主瓣展宽等，这种失配效应就是尺度效应。尺度效应会造成脉内积累SNR损失，进而影响后续多脉冲间的相参积累，导致目标检测与估计性能急剧恶化。除了尺度效应，高速目标长时间相参积累过程中还会发生一阶距离走动现象。因此，为了提高大时宽带宽积下雷达对高速目标的积累检测与参数估计性能，必须在相参积累前解决尺度效应与一阶距离走动问题。
目前，对于尺度效应下相参积累处理的研究相对较少，理论与方法体系尚不完善。2014年，Qian等人提出了基于宽带尺度RFT（Wideband Scaled Radon Fourier Transform，WSRFT）的超高速目标相参积累方法 [80] 。该方法基于目标速度已知的假设，限制了其实用性。另外，WSRFT方法的脉压和相参积累是两个独立的过程，没有考虑脉压（脉冲内能量积累）与多脉冲积累（脉冲间能量积累）间的耦合特性，导致其积累检测和参数估计性能有所下降。2017年，Xu等人考虑超高速运动的雷达平台，介绍了一种Omega-K方法来补偿地面目标的尺度效应 [81] 。但是，当目标速度未知时，该方法也将失效。因此，需要研究空间超高速目标的尺度效应问题，并设计有效的相参积累方法。
要实现匀加速运动高速目标的相参积累，不仅需要校正目标速度引起的距离走动，还需要补偿目标加速度引起的多普勒走动（DFM）；甚至还需要校正加速度引起的距离走动，即距离弯曲（Range Curvature，RC）。与匀速运动高速目标相参积累方法类似，匀加速运动高速目标相参积累方法也可以分为参数搜索和非参数搜索两大类。
典型的参数搜索类匀加速运动高速目标相参积累方法有KT-去调频处理（KT-Dechirp Process，KT-DP） [82] 、KT-最小熵 [83] 、缩放处理和分数阶傅里叶变换（Scaling Processing and Fractional Fourier Transform，SPFRFT） [84] 、KT-分数阶傅里叶变换（KT-Fractional Fourier Transform，KT-FRFT） [85] 、改进AR-分数阶傅里叶变换（Improved AR-Fractional Fourier Transform，IAR-FRFT） [86] 、二阶KT-改进分数阶Radon变换（Second-order KT-Modified Fractional Radon Transform，SKT-MFRT） [87] 、二阶KT-RFT（Second-order KT-Radon Fourier Transform，SKT-RFT） [88] 、Radon分数阶傅里叶变换（Radon Fractional Fourier Transform，RFRFT） [89] 、Radon线性正则变换（Radon Linear Canonical Transform，RLCT） [90] 等。
2010年，Su针对高速目标相参积累检测问题，提出了基于KT-DP的匀加速运动高速目标距离走动校正与能量积累方法，首先通过KT和多普勒模糊数搜索校正目标速度引起的一阶距离走动，然后利用去调频处理（Dechirp Process，DP）估计目标的加速度，进而补偿多普勒走动，最后利用慢时间维傅里叶变换实现目标能量的相参积累 [82] 。2011年，Xing提出了基于KT与最小熵准则的高速机动目标相参积累与运动参数估计方法，并分析了运动参数估计误差对相参积累性能的影响，但是该方法对回波信号的输入SNR要求较高，不适用于低SNR下的目标相参积累 [83] ；同年，Tao研究了匀加速运动高速目标相参积累过程中的距离走动与多普勒走动效应，分析了目标发生距离走动与多普勒走动的临界条件，并提出了基于SPFRFT的距离走动校正和多普勒走动补偿方法 [84] 。
2015年，Li等人提出了基于KT-FRFT的相参积累方法，首先利用KT校正由目标无模糊速度引起的一阶距离走动，随后通过多普勒模糊数搜索校正盲速引起的一阶距离走动，最后利用FRFT操作消除多普勒走动并对目标能量进行相参积累 [85] 。2016年，Rao等人在AR方法的基础上，提出了IAR-FRFT相参积累方法 [86] 。与KT-FRFT类似，IAR-FRFT方法首先利用IAR校正一阶距离走动，随后通过FRFT积累目标能量。
然而，上述研究都只考虑了目标速度引起的距离走动，而没有考虑目标加速度引起的距离走动。当目标的加速度较大、雷达信号带宽增大或积累时间较长时，往往需要考虑相参积累时间内目标加速度引起的二阶距离走动（Second-order Range Migration，SRM），否则会有积累性能损失。
2011年，Sun等人为实现在速度模糊情况下的二阶距离走动校正和多普勒走动补偿，提出了SKT-MFRT相参积累方法。SKT-MFRT方法首先利用SKT校正目标加速度引起的二阶距离走动，随后通过MFRT方法校正剩余的一阶距离走动并补偿多普勒走动 [87] 。2013年，Tian等人提出了SKT-RFT相参积累方法 [88] ，先利用SKT校正二阶距离走动，再通过FRFT或改进去调频处理补偿多普勒走动，最后使用RFT消除一阶距离走动的影响并完成相参积累。然而，SKT-MFRT和SKT-RFT都是依次校正距离走动和补偿多普勒走动，导致后续的多普勒走动补偿性能易受先前距离走动校正结果的影响。
为了同时校正距离走动和补偿多普勒走动，2014年，Chen根据目标的速度、加速度与距离走动以及多普勒走动之间的关系，提出了基于RFRFT的相参积累方法 [89] 。RFRFT方法首先通过距离-速度-加速度域上的三维搜索抽取出回波信号，然后利用FRFT方法实现抽取信号能量的相参积累，可以同时完成目标的距离走动校正和多普勒走动补偿。与MTD、FRFT以及RFT这3种方法相比，RFRFT可以实现更低SNR下的弱目标检测。与RFT方法类似，RFRFT也是通过参数空间的多维搜索联合校正距离走动和补偿多普勒走动。但与RFT方法不同的是，RFRFT不仅需要对速度和距离进行搜索，还需要搜索目标加速度。
此外，在RFRFT方法的基础上，Chen又提出了基于RLCT的相参积累方法 [90] 。与RFRFT方法类似，RLCT方法也是通过距离-速度-加速度域上的三维搜索抽取回波信号。不同之处在于，RLCT是利用线性正则变换（Linear Canonical Transform，LCT）实现抽取信号的能量积累。然而，RFRFT和RLCT都需要进行四维搜索，导致计算复杂度较大。
典型的非参数搜索类匀加速运动高速目标相参积累方法有二阶Wigner-Ville分布（Second-order Wigner-Ville Distribution，SoWVD） [91] 、二阶KT-对称瞬时自相关函数（Second-order KT-Symmetric Instantaneous Autocorrelation Function，SKT-SIAF） [92] 、KT-匹配方程-时间翻转变换（KT-Matched Function-Time Reversing Transform，KT-MF-TRT） [93] 、自相关处理-扩展KT（Autocorrelation Processing Extended KT，AP-EKT） [94] 等。
2016年，Huang等人提出了基于SoWVD的相参积累方法，先利用KT校正一阶距离走动，然后构造二阶距离走动补偿函数，对剩余距离走动进行校正，最后利用SoWVD变换估计目标加速度并补偿多普勒走动 [91] 。同年，Zhang等人提出了SKT-SIAF方法，首先通过SKT校正二阶距离走动，然后计算二阶距离走动校正后回波信号的对称瞬时自相关函数（Symmetric Instantaneous Autocorrelation Function，SIAF），随后对回波信号依次进行SCIFT、尺度傅里叶变换（Scaled Fourier Transform，SFT）和FFT，获得多普勒模糊数与加速度的估计值，进而利用参数估计值构建相位补偿函数校正距离走动并补偿多普勒走动 [92] 。SoWVD和SKT-SIAF两种方法在多目标积累时会产生交叉项，而且在低SNR环境下积累性能会有一定的损失。
2017年，Huang等人提出了基于KT-MF-TRT的目标能量相参积累方法，首先利用KT对一阶距离走动进行校正，然后通过匹配函数对二阶距离走动进行补偿，接着通过慢时间的TRT操作来补偿多普勒走动，避免了目标运动参数搜索过程，最后在距离-多普勒域积累信号能量 [93] 。然而，KT-MF-TRT方法是通过分步校正距离走动和补偿多普勒走动，进而实现相参积累的，因此KT-MF-TRT会出现参数估计误差传递，进而影响后续的检测与估计结果。此外，该方法仅适用于慢时间关于原点对称分布的情况。
2018年，Zheng等人提出了基于AP-EKT的非参数搜索相参积累方法，首先通过依次进行慢时间自相关、扩展KT、SFT以及FFT在三维参数空间积累目标能量。然后利用积累峰值坐标估计目标的径向速度和加速度，再利用估计的运动参数校正距离走动和补偿多普勒走动，随后对沿距离频率做IFFT后沿着慢时间做FFT，实现目标的相参积累 [94] 。AP-EKT方法能够在三维参数空间同时估计目标的运动参数（距离、速度以及加速度），可避免参数估计误差传递问题。与SoWVD方法相比，AP-EKT方法能够获得更好的检测与估计性能，且计算复杂度低一个数量级。
总体而言，基于参数搜索的匀加速目标相参积累方法的积累性能较好，但是需要很大的计算代价；非参数搜索类匀加速目标相参积累方法的计算复杂度小，但积累检测性能对输入SNR较敏感，且多目标场景中存在交叉项问题。因此，研究能够在计算代价与积累性能之间进行良好折中的匀加速目标相参积累信号处理方法，具有重要意义。
与匀加速运动高速目标相比，变加速运动高速目标长时间相参积累处理过程中，不仅需要考虑一阶/二阶距离走动与一阶多普勒走动，往往还需要考虑目标加加速度（加速度变化率，又称第二加速度）引起的三阶距离走动（Third-order Range Migration，TRM）以及二阶多普勒走动（Second-order Doppler Frequency Migration，SDFM），其中二阶多普勒走动又称为多普勒弯曲。
为了实现变加速运动高速目标回波信号的长时间相参积累处理，国内外学者研究并提出了一系列相参积累方法，包含参数搜索和非参数搜索两大类。
典型的参数搜索类变加速目标相参积累方法有广义RFT（Generalized RFT，GRFT） [95-97] 、Radon分数阶模糊函数（Radon Fractional Ambiguity Function，RFRAF） [98] 、Radon线性正则模糊函数（Radon Linear Canonical Ambiguity Function，RLCAF） [99] 、IAR-离散调频傅里叶变换（IAR-Discrete Chirp-Fourier Transform，IAR-DCFT） [100] 、KT-三维匹配滤波处理（KT Third-dimensional Matched Filtering Process，KT-TMFP） [101] 、Radon高阶时间调频率变换（Radon High-order Time-chirp Rate Transform，RHTRT） [102] 、TRT-特殊GRFT（TRT-Special GRFT，TRT-SGRFT） [103] 等。
2012年，Xu等人在RFT的基础上，提出了GRFT相参积累方法，用以解决高机动目标的相参处理问题。GRFT可以看成RFT的拓展，利用多维参数搜索在抽取回波信号的同时，构建匹配滤波器补偿抽取回波序列的相位差异。当搜索参数与目标运动参数相等时，可获得信号能量的相参积累，GRFT积累输出也达到最大 [95] 。与RFT类似，GRFT的积累输出结果中也可能出现BSSL，使目标检测时虚警严重。此外，多维参数搜索会导致GRFT的计算代价增大。为此，Qian研究了GRFT的快速实现方法，指出可以通过粒子群优化（Particle Swarm Optimization，PSO）快速实现GRFT [96-97] 。但是，PSO对初始参数的设置比较敏感，也容易陷入局部最优，找不到全局最优解。
2015年，Chen提出了基于RFRAF的变加速运动高速目标相参积累方法 [98] 。该方法主要包含以下3个步骤：首先，通过距离-速度-加速度-加加速度域上的四维参数搜索抽取出回波信号；然后，计算抽取信号的瞬时自相互函数（InstantaneousAutocorrelation Function，IACF），目的是降低距离走动以及多普勒走动的阶数；最后，利用FRFT实现相参积累。Chen还给出了RFRAF与MTD、RFT以及FRFT之间的关系，并分析了RFRAF的可逆性、双线性变换、时移以及频移等特性。
同年，Chen还研究了具有微动特性的海上机动目标相参积累问题，提出了基于RLCAF的相参积累与运动参数估计方法 [99] 。与RFRAF的不同之处在于：RLCAF是利用LCT完成抽取信号的相参积累的。与FRFT相比，LCT具有更高的自由度。因此，与RFRAF相比，RLCAF可获得更好的杂波抑制能力。由于FRFT和LCT在实现信号能量的积累过程中都需要进行参数搜索，因而与GRFT方法相比，RFRAF、RLCAF以及PD-LVD方法的计算复杂度更高，并且低SNR条件下的积累性能会下降。同年，Rao等人在IAR方法的基础上，结合DCFT处理提出了IAR-DCFT方法，用以解决具有距离走动/多普勒走动的变加速目标相参积累问题 [100] 。与RLCAF和RFRAF方法相比，IAR-DCFT方法的计算复杂度有所下降。但是，IAR-DCFT方法无法校正二阶/三阶距离走动，存在能量积累损失。
2016年，Huang等人提出了KT-TMFP方法，用以实现三阶距离走动校正与多普勒走动补偿。KT-TMFP方法首先利用KT校正目标的一阶距离走动，然后在距离频率-慢时间域的三维匹配滤波消除距离与慢时间的耦合，最后通过慢时间维傅里叶变换聚焦目标能量，实现相参积累 [101] 。KT-TMFP方法能够有效地估计速度、加速度以及加加速度，并获得与GRFT相近的积累检测性能，但是仍然需要联合搜索目标的多普勒模糊数-加速度-加加速度，计算复杂度与GRFT相近。同年，Huang等人又提出了RHTRT方法，首先利用Radon变换搜索估计目标速度并校正一阶距离走动，随后通过HTRT估计目标的加加速度 [102] 。然而，该方法没有考虑目标加加速度引起的三阶距离走动，并且在多目标积累时会产生交叉项，不利于多目标场景下的积累检测与参数估计。
2017年，Li等人结合时间翻转与GRFT，提出了TRT-SGRFT相参积累方法，用以降低传统GRFT方法的计算复杂度。TRT-SGRFT方法先利用TRT分离运动参数，降低距离走动与多普勒走动的阶数，接着通过SGRFT估计获得目标的部分运动参数，然后进行SGRFT操作以估计剩余运动参数，最后构造匹配滤波方程，消除所有的距离/多普勒走动并实现能量的相参积累 [103] 。该方法与GRFT方法相比能够降低约一半的计算复杂度，但检测性能会有一定损失。
基于参数搜索的变加速运动高速目标相参积累方法均需通过多维搜索获得运动参数的估计值并进行校正与补偿，计算复杂度较高，不利于工程的快速实现。为了降低计算复杂度，相关学者也提出了非参数搜索的变加速运动高速目标相参积累方法。
基于非参数搜索的典型变加速运动高速目标相参积累方法有调频率-二次调频率分布（Chirp Rate-Quadratic Chirp Rate Distribution，CR-QCRD） [104] 、广义SCFT非均匀FFT（Generalized SCFT-nonuniform FFT，GSCFT-NUFFT） [105] 、相邻互相关函数（Adjacent Cross Correlation Function，ACCF） [106] 、TRT-SKT-LVD [107] 等。
2014年，Zheng等人基于广义KT与参数瞬时对称自相关变换提出了CR-QCRD方法 [104] 。次年，Zheng等人又提出了基于GSCFT-NUFFT的非搜索变加速目标相参积累方法 [105] 。与CR-QCRD方法相比，GSCFT-NUFFT方法的计算代价有所下降，但是积累检测性能会有1dB的损失。与GRFT等搜索类方法相比，CR-QCRD和GSCFT-NUFFT方法可通过对称自相关、FFT和非均匀FFT处理实现，无须参数搜索，就能有效地降低计算复杂度。然而，CR-QCRD和GSCFT-NUFFT方法都假设目标的距离走动已经得到校正，只考虑多普勒走动。对于变加速运动高速目标，需要同时考虑距离走动和多普勒走动的影响。
为了校正、补偿变加速运动高速目标的距离走动与多普勒走动，Li等人在2016年提出了基于ACCF的非参数搜索快速实现相参积累方法。ACCF方法无须参数搜索，只需对回波信号沿相邻快时间方向做两次自相关变换，就可消除距离/多普勒走动并得到运动参数的估计值，最后利用慢时间维FT积累目标能量 [106] 。该方法的计算复杂度很小且实现方式简单，但SNR损失较大，难以适用于低SNR环境。同年，Li等人又提出了TRT-SKT-LVD方法，分别通过TRT、SKT处理依次校正目标的三阶、一阶以及二阶距离走动，再利用LVD完成相参积累 [107] 。TRT-SKT-LVD方法简单易行，可通过复乘、FFT与IFFT等方式快速实现，利于工程应用，但低SNR环境下方法的积累性能有所损失。
国内外研究机构和众多学者已经在雷达运动目标相参积累信号处理技术方面进行了深入研究，在距离走动校正和多普勒走动补偿方面取得了诸多成果。但在高速目标长时间相参积累信号处理技术方面，仍处于研究起步阶段，存在的主要问题如下。
（1）当多个目标的散射强度差异较大时，长时间相参积累后，散射强度大的目标积累结果会对散射强度小的目标形成“遮挡”，导致难以实现散射强度更小目标的信号积累与检测。如何在各目标散射回波强度存在较大差异的情况下，同时获得多个目标的回波信号积累，成为一个待解决的问题。
（2）目标回波信号的起始时间与终止时间未知时如何获得回波信号的有效积累。雷达探测时，特别是战场对抗环境下，目标往往突然出现、骤然离开。其进入和离开雷达探测区域的时间往往未知，致使目标回波信号的起始时间与终止时间未知，导致现有基于目标回波信号起始时间、终止时间已知的长时间相参积累方法的性能急剧恶化。所以，必须研究相应的方法来实现起始时间、终止时间高速未知情况下高速目标回波信号能量的相参积累。
（3）如何实现多模态运动高速目标回波信号的长时间相参积累信号处理。高速目标以跳跃飞行、大拐角等方式在空间穿梭时，探测时间内将具有多个运动模态，难以用单一运动模型准确表征。现有长时间相参积累方法是针对单模态运动高速目标，无法实现目标多个模态间回波信号能量的有效积累。针对目标的模态变换特性，设计匹配的回波信号积累方法，成为一个待解决的问题。
（4）采用大时宽带宽积发射信号能够有效地提高发射信号功率和雷达分辨率，有利于提升目标探测性能。然而，在大时宽带宽积下，超高速目标的回波信号将发生变尺度效应，导致传统的相参积累方法失效。如何实现超高速目标大时宽带宽积雷达回波信号的长时间相参积累信号处理，成为一个待解决的问题。
（5）如何实现多帧联合处理的长时间相参积累信号处理。为了进一步提升雷达的探测威力，不仅需要完成回波信号的帧内各脉冲积累，还需要通过回波信号的帧间积累，以最大限度地改善回波SNR。因此，同时考虑帧内积累和帧间积累的多帧联合长时间相参积累信号处理是一个亟待解决的问题。
（6）高速机动目标的高阶运动分量估计问题。为了实现高速机动目标微动特征（振动、旋转、进动和章动等）的精细化估计，长时间相参积累信号处理时，还需要考虑目标的高阶运动分量（加加速度、四阶运动分量等），以实现对目标运动特征的精细化描述与估计。因此，具有高阶运动分量的高速机动目标信号积累与参数估计方法也需要进行研究。
（7）积累检测性能与计算代价之间的矛盾。参数搜索类相参积累方法能够获取良好的积累检测性能，但是计算代价很大；非参数搜索类相参积累方法虽然能够有效降低计算复杂度，但是积累检测性能会有一定损失。如何设计能够在积累检测性能与计算复杂度间取得很好折中的相参积累方法，仍然是一个值得研究的问题。
（8）低SNR下的目标积累与检测。在低SNR条件下，高速目标回波淹没在噪声中，无法实现对目标的有效积累与检测。因此，在低SNR条件下，如何充分利用信号的幅度和相位信息，在更广义的积累空间中增大目标和噪声干扰的差异强度，提高积累检测性能，也是必须解决的难点问题。