雷达自动目标识别技术是目标探测和精确制导等应用的关键技术之一。高分辨距离像作为一类重要的雷达目标识别信号,能够反映出目标在雷达视线上的强散射点分布情况。毫米波雷达容易实现大带宽的发射信号,可提高距离分辨能力,从而能够获得更多的目标细节特征,有利于实现精确的目标识别。然而,距离像受雷达参数、目标状态、背景环境以及天气等因素的影响,呈现出高度的非线性特点,使用传统的线性方法进行距离像识别并不能得到满意的结果。流形学习是一种被广泛研究的非线性维数约减方法,能够从高维的非线性特征空问中发现线性的低维特征结构。论文针对地面目标的毫米波距离像识别问题,基于流形学习方法,从特征选择、分类器设计、主动学习和非平衡学习等四个方面展开了研究工作,主要研究内容如下：从算法的角度研究了距离像特征选择问题,提出了基于局部重构误差排列的非监督特征选择算法、基于标签重构拉普拉斯得分的半监督特征选择算法和基于改进约束得分的半监督特征选择算法。基于局部重构误差排列的特征选择算法可以看作是特征选择版本的局部线性嵌入,通过最小化局部重构误差得到最优局部特征序列,再通过排列技术得到全局特征序列。基于标签重构拉普拉斯得分的特征选择算法利用标签重构技术将基于拉普拉斯得分的特征选择算法推广到半监督应用场合,同时利用测地距离代替欧氏距离来度量非线性特征空间中的样本相似度。在基于改进约束得分的特征选择算法中,假设对约束条件和样本的局部特性并非完全独立,而是存在一定联系,通过已知的对约束条件能够改进样本的局部特性,并利用改进后的局部特性和对约束条件进行特征选择。在设计分类器时,针对距离像的方位敏感性问题,提出了基于测地权重稀疏重构的分类算法。算法假设同一目标的距离像样本在归一化之后分布在一个单位超球面的子流形上,通过小方位角范围内的样本具有高相关性的特点,对这些子流形进行分类。首先使用改进的测地距离计算所有样本之间的相似度。然后计算测地权重样本,测地权重样本能够将超球面上的子流形展开,把非线性的样本结构变换成线性结构。最后将所有标签已知样本作为字典,利用标签重构技术估计标签未知样本的类别概率。在传统的距离像识别方法中,用于训练分类器的样本通过随机选择获得。针对同一种分类器模型,不同的训练样本可能会训练出不同的分类器参数,而这些参数不同的分类器的性能也可能相差很大。主动学习的目的是在给定的训练样本集中选择一个训练样本子集,当用这个子集训练分类器时,可以获得最优的分类器。论文针对距离像识别中的主动学习问题,研究了基于局部线性重构的主动学习算法,并在该算法的理论框架下,使用拉普拉斯矩阵代替局部线性重构矩阵来描述样本的局部结构,以最优重构的方法来选择训练样本,得到了基于拉普拉斯直推优化设计的主动学习算法,并比较了几种主动学习算法在距离像识别中的效果。非平衡学习是模式识别理论在实际应用中遇到的问题,它更关注小类样本的识别能力。当用于训练分类器的样本数量非平衡时,分类面会向小类样本移动,从而降低小类样本的识别率。论文针对非平衡数据条件下的距离像识别问题,提出基于代价敏感测地约束得分的半监督特征选择算法。算法引入代价敏感技术,将基于约束得分的特征选择算法推广到非平衡学习场合,然后通过约束重构技术,将其推广到半监督应用场合,使之适用于非平衡数据分布条件下的半监督分类问题,提高小类样本的识别率。