雷达高分辨距离像(HRRP)是目标散射点子回波沿雷达视线(LOS)方向的投影向量和。HRRP易于获取、存储和处理,同时提供了目标尺寸、散射点分布等重要的结构特征,如今已成为雷达自动目标识别(RATR)领域的研究重点之一。本论文依托国防预研项目以及国家自然科学基金等项目,从特征提取和目标识别的角度研究了雷达HRRP自动目标识别的相关理论和技术问题。论文概括如下：1.介绍雷达HRRP的基本概念,讨论雷达目标识别的应用背景以及近年来的研究状况,并概述本文的主要工作。2.传统降维子空间方法的数据描述能力有限,为此提出一种基于超完备字典学习的雷达HRRP目标识别算法。依据对测试样本的信噪比估计,自适应地确定测试阶段稀疏分解的稀疏度系数。相比于传统识别算法,该算法对目标的识别性能更好,且对噪声的鲁棒性更强。另外,算法在只训练部分角域数据(不完备训练集)的条件下较好地识别全角域数据,可实现数据库扩展。基于实测雷达数据的实验结果验证了算法的有效性。3.基于字典学习的信号稀疏表示被广泛应用于信号处理领域,但由于字典原子间存在冗余性,求解信号的稀疏表示会受到观测信号中扰动分量的影响,从而带来表示的不确定性,不利于HRRP目标识别任务。针对这一问题的主要工作有以下两点。(1)提出了一种基于信号丢失的稳健字典学习(Drop-SDL)算法,通过边缘化信号丢失,构建稳健损失函数用于学习自适应字典。该算法利用距离像在散射点不发生越距离单元走动(MTRC)的方位帧内具有结构相似性,约束邻近训练样本间稀疏表示的非零元素位置相同,并通过结构化稀疏约束选择最优子字典用于测试样本的分类。(2)结合雷达HRRP目标特性,给出了HRRP存在幅度扰动时稀疏表示的稳健性条件。考虑到固定字典情况下稀疏分解的稳健条件是过分严苛且受限的,利用松弛后条件提出种稳健字典学习(SDL)算法。构建的稳健目标函数在约束邻近HRRP样本稀疏表示的非零元素位置相同的同时,限制其稀疏系数的方差变化要小。训练阶段生成的结构化稀疏约束被用于最优子字典选择,实现对测试样本的稳健稀疏表示。最后基于实测HRRP数据的实验结果验证了算法的有效性。4.传统字典学习算法仅刻画了观测样本与稀疏表示间的线性关系。然而实际应用中,信号本身通常存在复杂的非线性关系,简单地采用线性字典框架无法保证算法性能。针对这一问题,主要对非线性字典学习算法展开研究：(1)提出一种基于联合非负稀疏约束的字典学习算法,在约束稀疏度为1时得到自适应聚类算法,避免了K均值聚类需要人为指定类簇数先验和对初始值敏感的两个缺陷。并利用核技巧将算法推广为基于核字典学习的自适应聚类算法。(2)提出一种基于联合非负稀疏约束的核字典学习算法,利用该算法实现核基向量抽取,在剔除训练集中冗余样本和奇异样本的同时,获取少数具有较好数据描述能力的原始数据作为核基向量。获得自适应核基矩阵后,利用K-PCA算法提取样本的特征向量。基于UCI公共数据集以及实测雷达HRRP数据集的实验结果验证了所提算法的有效性。5.特征提取是HRRP目标识别的核心技术。传统特征提取算法多采用浅层的模型结构,容易忽视样本的内在结构,不利于学习有效的分类特征。针对这一问题,利用多层非线性网络实现特征学习,主要工作包含两部分：(1)构建基于联合稳健深层网络的雷达HRRP目标特征提取算法。利用平均像在散射点不发生越距离单元走动的方位帧内具有稳健物理特性的性质,提出了堆栈联合稳健自编码器(SRAEs)。该网络由一系列联合稳健自编码器(RAE)堆栈化实现,在匹配原始HRRP样本的同时,约束同帧样本趋近于平均像,并将网络的最终输出作为分类器的特征输入。基于实测HRRP数据的实验结果验证了所提算法的有效性。(2)为了从大量无标号数据中获取稳健结构和高阶相关性,提出一种堆栈校正自编码器(SCAEs)算法。该算法是传统堆栈降噪自编码器(SDAEs)的一种推广,由一系列预学习的校正自编码器(CAE)堆栈化实现。算法利用帧协方差矩阵构建基于马氏距离准则的目标函数。每帧HRRP中的平均像被作为校正项引入CAE,以消除方位敏感性、幅度扰动和奇异样本对特征稳健性的影响。该算法可以有效降低HRRP特征维度,利于数据的存储、可视化以及识别任务。通过合适的优化框架设计以及模型参数选择,算法在不完备的小训练集下仍然稳健有效。