雷达的高分辨距离像(High Resolution Range Profile,HRRP)可以表征观测物体沿着雷达视线的径向分布,并且可以提供目标尺寸、散射点分布等相关信息,这有利于进行目标分类。相对于合成孔径雷达(Synthetic Aperture Radar,SAR)图像和逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)图像,高分辨距离像(HRRP)在获取的途径和处理方式上具有一定优势。由于实际情况中存在噪声干扰,并且在非合作目标的情况下,可用的训练数据集经常是有限的、不完备的,甚至某些目标方位角上的数据是缺失的,这要求识别方法具有更好的泛化性能。针对上述问题,本文将对噪声稳健的字典学习方法以及具有方位鲁棒性的卷积神经网络(Convolutional Neural Network,CNN)方法进行研究,实现HRRP目标识别。由于实际情况中存在噪声干扰,因此如何实现低信噪比情况下的稳健识别成为HRRP目标识别的一个重要问题。有研究表明,稀疏表征(Sparse Representation,SR)方法对噪声有着极佳鲁棒性,并且已在人脸分类上取得了显著成效。本文对信号的稀疏表征及求解算法进行了相关研究,包含匹配跟踪(Matching Pursuit,MP)、正交匹配跟踪(Orthogonal Matching Pursuit,OMP)等,并在此基础上研究了K次奇异值分解(K-Singular Value Decomposition,K-SVD)算法。因为稀疏表征方法的字典是人工设计的,而K-SVD方法通过自适应学习得到的字典更符合观测信号的特性,可以更好地表征观测信号的本质结构。由于K-SVD方法只寻求对于样本数据的最佳表征,虽然对重构误差以及稀疏表征性能进行了探究,但未对字典是否具有辨别力进行探究。因此K-SVD学习的字典没有根据分类目的进一步优化,导致每多一类目标就要多训练一个字典。本文在此基础上研究了判别式字典学习,包括辨别K-SVD(Discriminative K-SVD,DK-SVD)和标签一致K-SVD(Label consistent K-SVD,LC-KSVD)方法。该类方法是把类别分析添加到训练目标中,探究在训练过程中如何获得具备辨别力的字典。其中,DK-SVD方法可以学习单个既具备表征力又具备辨别力的字典,可以解决K-SVD方法不具备辨别力的问题。LC-KSVD方法最终训练所得的字典的每个原子可以与特定类别相关联,这有利于提升字典学习方法的分类性能。因为HRRP有着平移、角度等灵敏性,这为目标识别带来了困扰。本文针对此问题研究用于HRRP识别的一维卷积神经网络(One-dimensional Convolutional Neural Network 1D-CNN,)方法。1D-CNN方法可以利用卷积核进行特征提取,并且通过池化操作对空间位置信息进行过滤,因此具有一定的空间变换不变性。1D-CNN所具有的这个特点,可以克服HRRP的平移灵敏性,并且1D-CNN具备提取深层特征的能力,这使得该方法对HRRP的角度灵敏性具有一定的鲁棒性。实验证明,1D-CNN方法对目标角度变化的鲁棒性较好,可以提取HRRP数据的层次化特征,可以提升HRRP识别的准确率。