雷达高分辨距离像(HRRP)是用宽带雷达信号获取的目标散射点子回波在雷达视线上投影的向量和。HRRP包含了目标的散射点强度分布和目标相对于雷达的径向结构信息,且相对于其他高分辨雷达信号具有易于获取和存储的优势,如今已成为雷达实时目标识别的重要手段之一。然而,针对雷达HRRP目标识别而言,如何从样本中获取目标稳健有效的分类特征,实现HRRP的目标识别是我们一直以来想要解决的问题。本文围绕HRRP目标识别展开研究,主要对雷达HRRP自身的目标特性以及针对HRRP目标识别的特征提取方法进行讨论与分析。论文主要内容概括如下:1.研究了高分辨距离像目标识别的基本原理。围绕HRRP目标识别中的三个关键问题:HRRP敏感性问题、目标特征提取与选择以及分类器设计,进行了详细地介绍,为后续研究内容提供了一定的理论基础。2.研究了基于深层神经网络的雷达目标识别方法。传统特征提取方法中的大多数方法为浅层线性结构,难以获取目标层次化的有效识别特征。针对这一问题,我们介绍了基于深层网络:堆栈降噪自编码模型(SDAE)和深度置信网络(DBN)的雷达HRRP目标识别方法。SDAE通过最小化重构误差实现对模型参数的优化,而DBN则是基于最大化对数似然函数对模型进行学习。对两种模型作进一步比较分析,发现它们虽然原理不同,但训练过程是类似的。两者均采用无监督的逐层贪婪训练法对网络进行预训练处理,再利用反向传播算法实现对参数的微调。通过这种方式避免了传统训练方法中模型训练时间过长、梯度弥散等问题。最后基于实测HRRP数据验证了深层网络结构在一定程度上有助于提高模型的特征提取能力。3.研究了基于稳健变分自编码模型的雷达目标识别方法。传统神经网络由于其模型结构的局限性以及忽略了HRRP自身的目标特性,导致其在实际应用中网络性能受到限制。为了解决这一问题,我们提出了一种基于稳健变分自编码模型(RVAE)的目标识别算法。首先,详细介绍了变分自编码模型(VAE)的意义以及算法原理,并将其与传统AE模型进行比较,进一步体现出该模型的优越性;考虑到HRRP的目标特性,我们引入平均像的概念来缓解其方位敏感性问题。然后,在原始VAE模型的基础上加入HRRP方位帧与平均处理构建了RVAE模型。利用平均像的逼近约束,学习单个HRRP样本的稳健隐表示,使其不仅包含样本的细节信息,同时可有效反映出其对应平均像的稳健特点,从而实现目标稳健有效识别特征的提取。最后基于实测HRRP数据验证了模型性能的有效性。