随着现代战争信息化和智能化水平的提高,雷达自动目标识别(RATR)技术受到广泛关注。雷达高分辨距离像(HRRP)是用宽带雷达信号获取的目标散射点子回波在雷达视线上投影的向量和。HRRP包含了对目标分类和识别十分有价值的结构信息,如目标的径向尺寸、散射点分布等,而具有且易于获取、存储和处理等优点。因此基于HRRP的雷达自动目标识方法成为该领域研究的热点。本论文主要围绕国防预研与国家自然科学基金等相关项目,从多分类器融合识别与拒判、最大间隔监督学习理论、贝叶斯非参数技术应用等方面展开相关的理论技术研究。论文主要研究内容概括如下:1.针对雷达目标的识别和拒判问题,构造了一种将分类器的输出通过最近邻分类器进行拒判和识别的“分类器-最近邻”系统。由于雷达自动目标识别中存在库外目标,评价RATR系统性能时应综合考虑其识别和拒判性能。鉴于多分类器融合技术的成功,我们进一步将多分类器融合技术分别应用到分类器-最近邻系统的识别和拒判两个阶段,提出了基于多分类器融合的目标识别和拒判系统。同时定义了一种衡量系统综合性能的代价函数,以确定系统拒判工作点。基于多分类器融合的目标识别和拒判系统可以充分发挥不同特征、不同分类器的优势,从而提高整个RATR系统的识别和拒判性能。2.针对雷达数据维度过高、存在冗余信息的问题,提出了两种最大间隔特征提取(数据降维)模型——最大间隔因子分析(MMFA)模型与最大间隔Beta过程因子分析(MMBPFA)模型,并基于这两个模型提出了一种目标识别与拒判框架。因子分析(FA)模型是一种生成模型,可以描述数据在低维隐空间的信息,因而常被用于数据的降维、特征提取。然而FA模型为非监督模型,其所提取样本的低维空间特征并不一定与后端的分类任务匹配。为了提升FA模型所提特征的可分性,MMFA模型将FA模型所提取低维隐变量(特征)作为隐变量支撑向量机(LVSVM)分类器的输入,在模型求解过程中将LVSVM分类器与FA模型联合学习。由于在最大间隔准则约束下学习FA模型的低维特征,MMFA模型在一定程度上保证了各类数据在低维子空间的可分性。进一步地,为了解决MMFA模型中的模型选择问题,将Bernoulli-Beta先验引入到MMFA模型中并提出了MMBPFA模型。在LVSVM分类器与非参数贝叶斯技术的联合作用下,MMBPFA可以提取并选择出更适合于分类任务的低维隐特征。得益于FA模型良好的数据描述能力,MMFA和MMBPFA可以实现库外目标的拒判任务。3.目标识别中,对于样本数较多且分布复杂的数据,若将所有训练样本用来训练一个单一的分类器,会增加分类器的训练复杂度,且容易忽视样本的内在结构,不利于分类。因此人们提出了混合专家系统(ME),即将训练样本集划分为多个训练样本子集,并在每个子集上单独训练分类器。但是传统ME系统需要人为确定专家个数,并且每个子集的学习独立于后端的任务,如分类。因此我们提出一种基于Dirichlet过程隐变量SVM模型(dpLVSVM)的目标识别算法,该模型采用Dirichlet过程混合模型自动确定样本聚类个数,同时每个聚类中使用线性隐变量SVM进行分类。不同于传统算法,dpLVSVM将聚类过程和分类器的训练过程联合优化,保证了各个子集中样本的分布上的一致性和可分性。由于整个模型为全共轭的,通过Gibbs采样技术可以对模型参数进行简便有效的估计。4.MMFA模型过于简单而无法处理多模分布数据。dpLVSVM等无限混合专家模型虽然能够处理复杂分布数据,但这些模型均在原始数据空间建模,容易面临“维数灾难”问题。HRRP是一种典型的高维、多模数据。针对此问题我们结合MMFA模型与dpLVSVM模型提出了无限最大间隔因子分析(i MMFA)模型。iMMFA模型采用FA模型提取数据的低维特征,并采用Dirichlet混合模型对低维特征进行聚类来充分挖掘数据的内在结构,同时在每个聚类上学习简单的线性分类器来实现全局的非线性分类。进一步地,为了解决iMMFA模型中的因子个数选择问题,本章将非参数贝叶斯技术引入到iMMFA模型中并提出了iMMBPFA模型。两个模型将数据降维、聚类以及分类器设计统一在概率框架下联合学习,准确刻画数据的结构且保证了各个聚类中样本的可分性。