rotor de petite taille, modifiés pour des missions d'attaque ou d'observation sur des théâtres d'opérations militaires, représente une menace croissante. A partir de moyens compacts et embarqués, les méthodes les plus utilisées pour détecter ces menaces, et éventuellement reconnaitre, sont le systèmes optiques et acoustiques [1][2]. L'utilisation d'un radar en complément de ces systèmes peut améliorer les performances de détection et de classification. En effet, par rapport à une caméra optique, il est touttemps et n'exploite pas sa résolution angulaire pour faire l'identification de la cible, et en comparaison d'un capteur acoustique, ses signaux évoluent dans un environnement moins bruité. Lorsque les contraintes SWAP (encombrement, poids, et consommation) n'est pas une contrainte forte, les radars très utilisés pour la détection de mini-drones [3][4]. En radar, pour classifier le drone en tant que tel, il est possible d'utiliser les signaux issus de sa signature micro-Doppler, qui rassemble les contributions de toutes les parties mobiles de l'aéronef, tel que les rotors. En fonction de la nature de la cible, cette signature peut être assez complexe mais peut être exploitée afin de détecter et identifier des drones à voilure tournante. Nous nous intéressons dans cet article, à l'utilisation d'un algorithme de réseau de neurones peu profond pour détecter et reconnaitre différents types de drones à partir d'un radar très compact. Afin de disposer d'une base de données suffisamment grande, et pour que ces données ne soient pas protégées, nous utiliserons un radar sur étagère à bas coût fonctionnant en mode CW.