由于雷达目标的高距离分辨回波是宽带雷达目标散射点子回波沿雷达视线方向(LOS)的投影的叠加,包含雷达目标的尺寸及散射点的分布等丰富的雷达目标结构信息,并且具有易于获取和处理简单等优势,因此逐渐成为雷达自动目标识别(RATR)领域的研究热点。此前,各种针对雷达目标高距离分辨回波的基于贝叶斯定理的统计识别方法已被提出。但是目前提出的统计识别方法大都使用的是雷达目标的高距离分辨回波复信号取模得到的高分辨距离像(HRRP)数据,这样将导致雷达目标识别系统的识别性能受到限制。实际上,雷达高距离分辨回波复信号样本中的相位和幅度一样,也代表了雷达目标一定的结构信息。为了利用雷达高距离分辨回波样本中的相位信息改善识别系统的性能,本文以自适应高斯分类器(AGC)和因子分析模型(FA)为例,将实数域内基于高斯分布假设的统计模型推广到复数域对雷达高距离分辨回波复信号进行统计建模。并且,重点研究了基于复高斯分布假设的统计模型在噪声背景下的稳健识别问题,实现了一种自适应噪声稳健目标识别算法,该噪声稳健识别算法解决了上述复高斯模型模型与低信噪比测试样本的失配问题。典型的基于贝叶斯定理的统计识别方法有最大相关系数法(MCC)、主成分分析(PCA)模型和上述自适应高斯分类器(AGC)以及因子分析(FA)模型等。利用这些统计识别方法对雷达高分辨距离像进行统计建模,在训练样本数充足时可以获得较好的识别性能,但是在小样本条件下的识别率不够理想。此前,一种基于多任务因子分析模型的雷达目标高分辨距离像识别方法被提出,改善了小样本条件下统计模型的识别性能。但是该多任务因子分析模型与其它典型统计识别方法一样均属于无监督模型,并没有利用对分类有益的雷达目标高分辨距离像数据本身的类别标签信息。针对上述不足,本文提出一种基于标签辅助因子分析模型的雷达高分辨距离像目标识别方法,将目标数据的类别标签信息和多任务学习思想统一在贝叶斯框架下,以改善小样本情况下识别系统的识别性能。