雷达能够利用电磁波对其作用范围内的物体进行检测、跟踪和测距,在军事应用和民事应用方面都有着极为重要的地位。随着现代科学技术的发展,雷达自动目标识别技术(RATR)受到了越来越广泛地关注。该技术是从包含目标特征的目标散射回波中提取出对识别目标有用的信息,并使用一定的准则确定目标类别和相关属性。要提高目标识别的准确率,可以利用包含目标信息较多的雷达回波信号进行识别,其中一种方法是使用从宽带雷达中获取的一维高分辨距离像(HRRP)数据。HRRP是目标散射点子回波沿雷达视线方向(LOS)方向投影的矢量和,它包含了目标尺寸、散射点分布等重要结构信息。由于其易于获取、存储和处理的特点,已成为当前雷达目标识别研究的热点之一。本文结合深度学习,研究了HRRP数据的识别问题。本文的主要内容如下:1.本文首先简明概述了HRRP目标识别技术的研究背景以及国内外研究的发展趋势,并介绍了论文的主要内容及工作安排。之后引出了表达能力强大的深度学习模型,介绍了此类模型在计算机视觉、自然语言处理和语音识别等目标识别领域取得的巨大成功,结合具体模型研究了深度学习模型的优势所在,并在此基础上使用深度学习中的卷积神经网络(CNN)和循环神经网络(RNN)针对HRRP数据进行识别。2.本文研究了基于深度神经网络的HRRP序列识别。结合近年来国际上相关的深度神经网络目标识别的最新研究成果,本论文针对三类飞机的HRRP数据,先使用了RNN对HRRP序列进行建模,验证RNN的可行性,接着提出了两种基于Recurrent CNN模型的HRRP识别方法。本文首先介绍了HRRP数据的获取方式以及其基本数学模型,总结了HRRP的特点,并针对其姿态敏感性、幅度敏感性与平移敏感性给出了相应的预处理方法,然后分别使用两种不同的Recurrent CNN模型对HRRP序列进行识别。3.本文研究了基于两种不同的Recurrent CNN模型的HRRP序列识别。在第一种模型中,我们利用CNN由具体到抽象的多层次结构提取HRRP中具有可分性的特征,再使用RNN对特征序列进行识别。在第二种模型中,我们将常规RNN单元中输入-隐状态转移方程和隐状态-下一时刻隐状态转移方程中的矩阵乘法用卷积计算代替,然后使用这种改进过的RNN网络识别HRRP序列,使得网络在处理时序信息的同时能够保留HRRP数据的空间信息。与机器学习算法相比,基于深度神经网络的Recurrent CNN模型能够实现端到端的目标识别,与现有的深度学习方法相比,这两种模型的识别准确率更高。