由于雷达高分辨距离像(HRRP)数据具有易获取、易处理的优良特性,成为了雷达目标识别领域常用的数据形式。近年来,由于深度学习的崛起,基于深度网络模型的雷达目标识别方法层出不穷,然而最新的研究表明深度网络容易受到对抗样本的攻击,只需要在原始样本上添加极其微小的噪声就可以使得深度网络发生错误分类。安全性对于雷达目标识别的重要性不言而喻,因此本文的研究重点是雷达高分辨距离像识别中的深度网络攻击问题。论文的主要工作包括以下三个部分:第一部分基于散射点模型假设介绍了雷达高分辨距离像的基本概念,研究了HRRP数据的敏感性问题并给出了相应的预处理方法加以解决。接着介绍了基于深度网络的雷达目标识别的基础概念,包括深度前馈网络和卷积神经网络,最后引出了对抗样本的概念,解释了对抗样本的原理并介绍了对抗样本的常见分类。第二部分是雷达目标识别中的深度网络攻击问题。首先阐述了包括FGSM、BIM、CW和DF等经典深度网络攻击方法的原理,验证了这些方法在基于深度网络的HRRP目标识别任务中依然有效。然而由于经典攻击方法都是基于梯度优化的算法,对于每个样本都需要经过复杂的优化操作才可以生成对抗样本,在实际应用中可能无法满足实时性的需求。针对这一问题,提出了基于残差自编码模型的快速攻击方法。之所以称为快速攻击方法,是因为一旦自编码模型训练完成,只需要前向运行一遍自编码模型即可得出对抗样本。利用对抗损失和相似性损失促使自编码模型产生噪声小,且可以使原始样本发生错误分类的对抗样本。实验结果表明,快速攻击方法在攻击成功率、噪声大小以及实时性等多个性能指标上表现均衡。同时验证了快速攻击方法产生的噪声在不同目标网络上具有可迁移性,可以实现黑盒攻击。第三部分是雷达目标识别中的鲁棒攻击问题。第二部分中的所有攻击方法的共同特点是不同样本的对抗噪声是不同的,即噪声是关于输入样本的函数。鲁棒攻击方法则不同,噪声是常数,即噪声对于所有的训练样本以及测试样本都适用。鲁棒攻击的优点包括:噪声在训练集学习完成之后,测试时不需要额外的计算量,减小了时间消耗,更容易实现实时性攻击;所有样本共用一种噪声,使得在实际情况下的攻击更加容易被实现。考虑到HRRP存在目标区域,提出利用掩码实现限制噪声长度的攻击。针对实数网络没有充分利用到HRRP复数信息的问题,提出了基于复数网络的鲁棒攻击方法。为了实现黑盒攻击,提出基于网络蒸馏的黑盒攻击方法。最后通过大量的实验验证了鲁棒攻击在白盒攻击、复数攻击、黑盒攻击场景下的有效性。