在宽带雷达不断发展的背景下,雷达的分辨率已经远小于目标尺寸,因此回波中的目标信号会占据较多的距离单元。雷达高分辨距离像(HRRP)是利用宽带雷达信号获取的目标散射子回波在雷达视线方向上投影的矢量和,它包含了在距离方向上,目标散射点的分布情况以及目标的尺寸等结构信息,同时易于获取和处理,对目标识别和分类有十分重要的价值,是雷达自动目标识别领域(RATR)研究的热点。本文考虑到雷达回波数据的频谱特征和距离单元之间的时序相关性,对基于雷达高分辨距离像的目标识别进行讨论和研究。论文的主要工作包括如下几个部分:第一部分首先针对高分辨距离像的物理特性以及预处理方法展开了讨论和理论分析。以雷达目标的散射点模型作为出发点,研究了雷达高分辨距离像的物理特性,并对HRRP目标识别中的方位敏感性,强度敏感性,平移敏感性这三个主要问题已有的解决的方案进行研究;接着介绍了信号的非平稳性和时频表示方法,如短时傅立叶变换和小波变换等;并对这两种方法的优点和不足分别进行讨论和分析。第二部分研究了基于循环神经网络的雷达高分辨距离像目标识别。首先对本文中实验所用的HRRP数据进行了详细的介绍。HRRP信号从雷达视线的方向来看,距离单元之间具有很强的时间相关性,然而传统的特征提取方法大部分没有考虑到HRRP数据内部的时间相关性,并且基于数据的几何物理特征的方式虽然有较为明确的物理概念,提取方式较为简单,但是需要人为干预,在雷达HRRP目标识别中依然有一定的局限性;而循环神经网络(RNN)是一种处理时序数据的有效模型,因此可以考虑利用其来实现HRRP数据的目标分类。为了提取对目标识别更有效的特征,考虑到HRRP数据的距离单元之间有时间相关性这一特点,首先对HRRP数据进行时序建模,将HRRP数据分割成时间序列并对RNN模型进行调整,实现HRRP的目标分类。最后,基于HRRP实测数据对基于循环神经网络的雷达高分辨距离像目标识别进行测试,并对不同的模型结果和HRRP时序化参数作出分析和讨论。第三部分重点研究了基于小波自编码-循环神经网络的雷达HRRP目标识别方法。第二部分主要讨论了循环神经网络和基于该网络的雷达HRRP目标识别方法,着重考虑了HRRP的时序相关性。而像HRRP这类非平稳信号,频域往往包含了信号在时域所没有的特性,如果单纯的只考虑信号在时域的信息,往往会忽略其他对识别有利的信息。因此希望设计一种端到端的模型,能够既考虑数据的时序信息,又利用数据的频域特性,使得模型提取的特征对最终的分类任务更有利。因此将小波自编码网络和循环神经网络相结合,并对解码器的权值进行设计。实验结果表明,利用小波自编码-循环神经网络提取的隐单元特征既能够有一定的频域特性,还直接受到目标分类任务的影响,有很好的识别效果。