Рассматривается применение свёрточных глубоких нейронных сетей для решения задачи классификации и распутывания траекторий. Объекты классифицируются по кинематическим характеристикам. Для задачи классификации разработана модель типа Res-Net с функцией потерь перекрёстная энтропия. Нам удалось добиться качество классификации 0.883 по F_1-метрике. Показано, что лучше всего модель классифицирует объекты по скорости, при этом модель с высокой точностью отличает объекты от помех. Модель для классификации протестирована на устойчивость к шуму, который добавляется к данным в виде случайных точек, либо некоторые точки траектории убираются. Модель обучена на данных с десятью шумовыми точками, и протестирована на данных с большим числом шумовых точек. Показано, что качество классификации уменьшается «гладко» при увеличении количества шумовых точек, без резких скачков. Траектории объектов для задачи классификации могут иметь разрывы. Распутываются траектории двух объектов. Для задачи распутывания разработана модель типа UNet, с функцией потерь в виде комбинации перекрёстной энтропии и Tversky loss. Также разработанная модель возвращает оценку скорости объекта на основе скрытых признаков, для учёта динамики. Для задачи распутывания нам удалось добиться качество классификации 0.911 по F_1-метрике. Модели обучены и протестированы на синтетическом наборе данных.