高分辨距离像(High Resolution Range Profile，HRRP)是目标重要的结构特征，对目标识别十分有价值，已成为雷达自动目标识别(Radar Automatic Target Recognition，RATR)领域研究的热点。 论文从两个大方向共六个角度展开对雷达高分辨距离像目标识别的相关理论与技术问题的研究。 方向一：基于线性判别分析(Linear Discriminant Analysis，LDA)的雷达高分辨距离像识别方法研究，即通过对距离像进行基于可分性表达的降维来提高识别性能。 (1)针对传统LDA的解丢弃类内散布矩阵的零空间和特征子空间维数受样本类别数限制的问题，本论文采用直接线性判别分析(direct Linear Discriminant Analysis，dLDA)对距离像进行降维。dLDA是LDA的一种扩展，最开始提出时是为解决人脸识别中的小样本问题。dLDA丢弃了对分类没有帮助的类间散布矩阵的零空间，保留了含有重要分类信息的类内散布矩阵的零空间，且dLDA特征子空间维数不受样本类别数限制。实测数据的识别结果表明，dLDA可有效地降低距离像的维数，提高识别性能。 (2)针对非参数线性判别分析(LDA)的类间散布矩阵如何有效描述类边界结构这一问题，本论文提出一种支撑向量机(Support Vector Machine，SVM)与k近邻(k-Nearest Neighbors，k NN)方法相结合的非参数类间散布矩阵构造方法：SVM-k NN。该方法消除了非类边界样本对类边界结构信息的扭曲。将SVM-k NN非参数LDA方法用于实测距离像的降维，并将识别结果与加权k NN非参数LDA法和幅度谱原空间法比较，结果表明SVM-k NN非参数LDA方法能在降低数据维数的同时，显著提高识别性能。 (3)针对各类对对类间散布矩阵的贡献不均衡这一问题，本论文提出一种改进的线性判别分析(Improved Linear Discriminant Analysis，ILDA)方法。ILDA通过加权改变各类对对类间散布矩阵的贡献，增大可分性小的类对的贡献，减小可分性大的类对的贡献，使得各类对在特征子空间中均易分。基于实测距离像的实验结果表明，ILDA相比LDA可有效地对距离像进行降维，并提高识别性能。 方向二：基于数据分析的距离像的特征提取研究，包括距离像的平移不变特征提取，距离像的分帧，和提取区分螺旋桨飞机和涡轮飞机的特征。 (4)针对HRRP的平移敏感性，本论文提出一种新的距离像平移不变特征：距离像幅度谱差分。理论分析的结果表明距离像幅度谱差分特征比距离像幅度谱特征更适合于RATR。采用外场实测数据，分别训练了最短距离分类器和SVM分类器，两种分类器的识别结果均表明，相比幅度谱特征，幅度谱差分特征可显著提高识别性能。 (5)针对HRRP的方位敏感性，本论文从HRRP序列的统计特性出发，提出一种基于相关系数的HRRP分帧方法。外场实测数据的分帧结果表明，该方法可准确划分HRRP统计特性的变化，分帧结果与实际飞行轨迹符合；且采用时域模板匹配法(Template Matching Method，TMM)、谱域最短距离分类器和SVM分类器的识别结果均表明，相比目前基于散射点模型的均匀分帧方法，本论文方法可有效提高识别性能。 (6)针对螺旋桨飞机和涡轮飞机的距离像的混杂问题，本论文提出一种从HRRP中提取的区分螺旋桨飞机与涡轮飞机的特征：相邻距离像幅度谱模之差的绝对值，并提出先根据此特征对未知目标进行预分类以判决其是否属螺旋桨飞机，然后再进行常规分类的识别方法。实测数据的实验结果表明，本论文方法可显著提高螺旋桨飞机的识别率，从而验证了所提取的特征的有效性。