交通车辆目标的分类识别是城市智能交通管理系统,辅助决策自动驾驶以及综合交通信息平台的核心支撑技术。近年来伴随雷达技术不断提高以及各种新技术不断涌现,车辆目标识别技术逐步由基于光学传感器的图像处理技术转变为气象与环境适应性更强且性能更可靠的雷达探测技术。如今利用雷达进行探测的车辆目标分类技术已成为热点。基于统计模型的传统雷达目标分类识别技术因模型失配的原因存在分类可靠性差、正确识别率低等方面不足。深度学习方法可提升模型失配度,从而提升分类识别的可靠性和正确率。在基于深度学习的雷达车辆目标识别的研究过程中,由于车辆种类及类型繁多,且实际交通环境复杂多变,车辆目标数据集存在总体数量不足或各个类别数据量差别较大的现象,影响车辆识别准确率。本文基于多输入多输出-正交频分复用结合（MIMO-OFDM）体制雷达实际采集的车辆目标数据,研究了基于深度学习的雷达车辆目标识别算法,其中主要研究内容包括:首先,通过对MIMO-OFDM雷达采集的车辆目标数据进行前期数据处理和数据分析,基于深度学习理论设计了二通道深度残差网络（2RC-NET）,实现雷达车辆目标的有效识别。2RC-NET模型中包括浅层特征提取,深层特征提取和特征融合三个部分,采用跨层和跨通道残差互联融合形式,减少信息丢失,实现对车辆目标信息充分提取。其次,针对小样本雷达车辆目标识别问题,基于孪生网络的原理,提出可分离孪生卷积神经网络（SC-Siamese）,设置不同大小的卷积核,引入深度可分离卷积,采用更少的参数抑制过拟合,提高在小样本情况下雷达车辆目标的识别率。并设置与其他网络模型进行对比以及非库内车辆目标识别的实验,对网络进行验证。最后,对于实际采集时不同种类车辆目标样本量不均衡导致识别准确率低下的问题,提出三种解决方案,包括平移数据扩增,权值均衡,以及基于深度卷积生成式对抗网络（DCGAN）神经网络的数据增强方案。其中设计的DCGAN解决方案效果最佳,可有效提升数据不均衡情况下的车辆目标识别率。本文基于深度学习方法对车辆识别进行了研究,设计了新的神经网络模型以及对不同样本情况识别开展了研究,为后续雷达车辆目标识别提供了思路。