在雷达目标识别领域，一维距离像HRRP由于其易于获取、可以进行实时识别等优点，日益成为一种重要的识别手段。在传统的基于一维距离像的识别方法中，需要提前获得待识别目标的训练样本才能够进行正确的识别。当遇到未知目标时，由于缺乏其训练样本，传统的识别方法不再适用，此时往往会导致结果的误判。本文对此问题进行了深入的研究，研究内容如下：1、针对未知目标缺乏训练样本的问题，提出一种基于伽玛统计模型的一维距离像数据生成方法。该方法利用少量未知目标的先验信息，通过估计伽玛模型的参数，从而生成服从伽玛统计分布的未知目标训练样本。实验结果表明，与高斯和均匀分布的模型相比，基于伽玛模型生成的未知目标训练样本更接近实测数据的统计分布。2、传统支持向量机SVM的核函数单一，影响判别效果。针对这一问题，研究了一种基于混合核函数的支持向量机方法。由于多项式核函数具有较好的泛化能力，而径向基核函数具有较好的学习能力，该方法利用这两种核函数来构造新的混合核函数，从而兼具两种核函数的优点。仿真实验表明，相比传统支持向量机，该方法能使未知目标的判别精度得到提高。3、传统支持向量数据域描述SVDD要求已知目标数据集符合球形分布，针对实际中这一条件难以满足的问题，研究了一种基于聚类的支持向量数据域描述方法。该方法先对已知目标数据集进行聚类分组，再对每组样本单独使用SVDD进行判别。由于该方法考虑了样本的分布情况，利用多个SVDD来代替原来一个SVDD，从而获得更好的判别精度。同时提出了一种参数优化方法，解决基于支持向量的单类判别器中参数难以设定的问题。仿真实验证明了以上方法的可行性和有效性。