雷达是一种基本的无线电探测设备,具有全天时、全天候和远距离探测的能力,在军用和民用领域具有重要的应用价值。随着雷达技术的不断发展,雷达目标识别技术受到了世界各国的广泛重视。传统的雷达目标识别算法大多数是在批学习模式下设计和工作的,但实际情况中经常会遇到数据规模过大以及数据动态增多的问题,导致批量学习要耗费大量的时间和空间资源,给传统的雷达目标识别算法带来了巨大的挑战。本文围绕雷达目标识别算法的在线学习展开研究,主要内容概括为如下两个部分:1.针对军民车辆目标分类问题,基于特征提取和支持向量机(Support Vector Machine,SVM)在线学习方法实现对合成孔径雷达(Synthetic Aperture Radar,SAR)图像军民车辆目标的分类。在利用改进的频谱分解联合图像测试(Spectrum Parted Linked Image Test,SPLIT)算法对目标的SAR图像进行散射中心检测、散射中心特征提取和散射中心分类的基础上,通过统计散射中心的类型得到军民车辆目标的散射中心类型分布律特征,然后利用SVM在线学习算法对军民车辆目标进行分类。实验结果表明,该方法提取的特征具有稳健的识别性能,也表明该方法中使用的SVM在线学习算法能够在保证分类正确率的同时提高学习效率,减少所需存储空间。2.针对空间目标识别问题,由于空间目标的数据获取具有周期性和不连续的特点,需要进行长期的观测和积累,传统的空间目标识别方法需要保存所有的观测数据,而且每次有新增数据时都需要对所有数据重新进行学习,因此需要耗费大量的时间和空间资源。针对上述不足,本文结合统计模型和在线学习方法,提出了一种在线自适应高斯分类器(Adaptive Gaussian Classifier,AGC)。该方法首先利用空间目标的已有高分辨距离像(High Resolution Range Profile,HRRP)数据构建初始的识别模板,当获取到新增数据时,如果初始的识别模板中存在与新增数据对应的模板,利用新增数据的均值和方差对模板的均值和方差进行在线更新;否则,利用新增数据的均值和方差构建新的识别模板实现模板库的在线扩展。实验结果表明,在线AGC的识别性能与传统AGC相差不大,所需的时间和空间资源更少,学习效率更高。