高分辨一维距离像（High Range Resolution Profile,HRRP）反映了雷达视线上目标强散射点的投影向量分布情况,包含大量的精细化结构特征,并且由于其易于获取与储存,数据量小,对观测场景和目标运动依赖小,在实时处理上具有独特优势而受到雷达目标识别领域的持续关注。因此,如何从HRRP中获取稳健可靠的特征用于目标识别一直是该领域的重点研究内容。针对车辆目标高分辨一维距离像,本文从特征提取与选择、特征融合识别两个方面展开相关研究:针对卷积神经网络（Convolutional Neural Networks,CNN）识别HRRP收敛较慢的问题,本文提出一种使用模型参数特征辅助CNN网络进行训练的特征融合网络（TMCNN）。CNN网络的输入为HRRP数据,模型参数特征则源自对目标散射中心特征的提取。根据几何绕射理论建立目标电磁散射模型,采用现代谱估计方法求解散射模型参数,并利用CNN网络设计了一种基于参量贡献度评估的模型参数特征选择算法。通过选择最有利于辅助分类的参数特征,将其拼接入CNN网络后构建融合特征进行联合识别。本文将所提TMCNN与一些经典深度学习识别算法如支持向量机（SVM）、堆叠式自编码器（SAE）、长短时记忆网络（LSTM）等进行了对比,实验结果表明,在不同信噪比条件下模型参数特征拼接融合网络均能有效提升目标识别率。为使网络具备更强的特征提取能力以及抗平移能力,本文提出了一种结合CNN与双向长短时记忆网络（Bi-LSTM）的混合模型。该模型以CNN作为HRRP的特征提取方式,并将Bi-LSTM嵌入到CNN后端代替原有全连接网络实现对所提特征的时序构建。为进一步提升网络的抗平移能力,设计了一种在混合模型中加入注意力机制的方法,实现对特征重点区域的自动捕捉。通过仿真验证,本模型在识别率和抗平移能力方面都有较大的提升,将CNN换为TMCNN后,网络的识别效果进一步提升,相较于时频原始特征的串联融合,模型参数特征拼接融合算法的运行时间大大缩减。