逆合成孔径雷达（Inverse Synthetic Aperture Radar,ISAR）是探测空中、空间目标的重要工具,ISAR像识别是态势综合感知的重要研究内容。针对实际应用中难以获取充足训练样本问题,本文将迁移学习引入到ISAR像识别中,利用实现辅助任务（源域）中得到的可用信息辅助实现目标任务（目标域）,以期克服传统深度学习方法因训练数据量不足产生的泛化能力差问题。本文的主要研究工作和研究成果包括:1、本文首先描述了研究的背景和意义,总结了国内外在ISAR像识别、深度学习、和迁移学习方面的研究进展,介绍了本文使用的实验数据。2、第二章介绍了基于Finetune（也叫微调、fine-tuning）的迁移学习的原理,通过变量控制实验验证了使用Finetune方法训练神经网络过程中各种因素带来的影响。为了使HRRP数据适应二维CNN处理,本文设计了一种有效的数据预处理方法将HRRP转换为二维数据,对ISAR像与HRRP的融合识别具有重要参考意义。分析了Finetune方法局限性。3、第三章针对Finetune算法在小样本下识别率低的局限,本文将度量学习中的原型网络引入到ISAR像识别,提高了小样本训练下模型的识别率。根据原型网络能实现零样本学习的原理,提出了结合原形网络的Finetune方法,使小样本训练下的识别率进一步提升。分析了传统分类网络与原型网络的优劣和选用原则。4、第四章针对无标签的数据无法用于训练Finetune网络的局限,引入了分布适应中的DANN方法,使利用无标签的目标域数据训练目标域识别模型成为可能。针对源域数据和目标域数据噪声分布不一样的情况,提出了使用降噪网络和DANN联合使用、在数据层面和特征层共同合对齐源域和目标域的方法,实现更优的识别效果。5、最后一章总结了全文的研究工作与创新内容,并指出了后续有望提高模型性能的研究方向。