雷达自动目标识别技术是现代雷达系统的重要技术组成部分,是雷达技术发展的主要方向之一。随着装备信息化程度和智能化程度的提升,雷达自动目标识别技术必会在更深层次上影响战场态势,加速战争理念的更新。基于高分辨距离像(High Resolution Range Profile,HRRP)的目标识别技术最具有应用潜力的一种雷达自动目标识别技术。该技术通过发射宽带信号获取目标散射中心的回波,再对回波进行一定的处理,得到距离维上的高分辨率向量,是散射中心的直接反映,关系着目标的尺寸、形状和表面材料等特征。因此,只要能够对高分辨距离像进行合理分析,就意味着能在一定程度上实现目标的分类和判别。本论文主要围绕国家自然基金项目“基于信息融合的机载雷达目标识别新算法研究”,结合雷达高分辨距离像识别的理论与工程应用背景,从数据库构建、预处理、特征提取、分类识别算法和统计建模及其稳健识别等方面展开深入研究。论文的主要工作如下:(1)研究了目标的多散射点模型与HRRP物理特性的对应关系,建立了目标的全方位样本库,主要解决雷达目标识别算法性能受限于样本库完备程度的问题。利用该数据库,设计了自适应小波阈值函数去噪算法。该去噪算法利用小波分析特性对HRRP的回波噪声分布特征进行分析,能根据输入HRRP自适应地调整小波系数阈值,修正了软阈值函数会对小波系数进行缩放的缺点;避免了硬阈值函数会产生新的突变点使信号失真的问题,应用更为灵活。(2)提出了可应用于HRRP特征提取的非参数化数据压缩算法,以克服经典线性判别分析算法应用于HRRP特征提取的4个固有缺陷。该非参数化方法以样本分布的局部特性为基础,使用近邻均值或者近邻样本对参数型散布矩阵离散化,再将特征提取问题转换为特征值分解问题而得到。仿真结果表明,非参数化算法能够扩展经典数据算法的适用范围,增加特征提取后异类数据之间的可分性,具有识别率高,稳定性好的特点。(3)在将4种基于小波变换的特征提取算法应用于HRRP识别的基础上,提出了基于进化算法的自适应小波神经网络特征提取和识别算法。主要解决梯度下降法在计算参数时极依赖于初值、易收敛于局部极值、计算效率低的问题。所提算法既可以只用于HRRP的特征提取,也可以直接输出分类结果。且该方法利用了自适应小波网络的多分辨分析特性,能够增加提取特征的差异,提高识别率。仿真表明,其识别率接近90%且能提升处理速度。(4)提出了基于混合概率主成分分析模型(Mixtures of Probabilistic Principal Component Analysis,MPPCA)的HRRP统计识别方法,解决了样本数较少时直接计算HRRP统计参数不准确且运算效率低的问题。所提算法以高斯混合模型的概率组合特性为理论基础,对经典PPCA模型进行扩展得到。因此,可通过期望最大值(Expectation Maximization,EM)算法估计HRRP统计模型参数,既解决了参数估计问题,又可利用混合概率模型的聚类特性对HRRP重新分帧,进一步削弱了HRRP的方位敏感性。并且MPPCA模型引入了隐变量参数空间,所以需要估计的自由参数大大减少,提升了计算效率。仿真实验表明,MPPCA模型比PPCA模型具有更好的识别性能。(5)提出了PPCA模型参数补偿算法和基于t分布PPCA模型的HRRP识别算法,所提的两种算法主要用于解决PPCA模型对噪声敏感的缺陷。模型参数补偿算法利用噪声和信号的向量关系,预先估计噪声的能量,对经典PPCA模型进行补偿达到对噪声稳健的目标。仿真表明,该方法可以降低训练样本PPCA模型与测试样本PPCA模型之间的差异,削弱不同环境因素引起的识别率下降问题;t分布PPCA模型的概率基础是t分布,因此能够利用t分布对噪声稳健的特性提高模型的稳健性。并且该模型可进一步扩展为混合概率t分布PPCA模型,进一步削弱HRRP的方位敏感性。在数值实验中,通过准确描述人工数据的协方差矩阵,验证了混合概率t分布PPCA模型的有效性。在仿真实验中,通过分析HRRP在噪声环境下的聚类效果,证明了该模型对噪声稳健且能削弱HRRP的方位敏感性。