现代高分辨雷达的兴起为目标识别提供了新的途径。高分辨距离像反映了目标沿雷达径向的几何结构分布,较之于二维或三维成像,不仅获取要容易得多,而且避免了成像过程中复杂的运动补偿问题。因此,近年来高分辨雷达目标识别受到了业界的广泛关注。本文在前人工作的基础上,着重对高分辨距离像雷达目标识别系统中特征提取与分类识别两个环节作了较深入的研究,并提出了一些创新的算法。这些算法在多组仿真与实测目标距离像数据的基础上进行了验证。归纳起来,本文的主要内容包括以下几个方面:1.结合扰动法和零空间法,分别提出了基于QR分解的线性辨别分析和直接线性辨别分析雷达目标距离像识别方法,并利用核机器学习理论分别对其进行了非线性推广。实验结果表明,基于QR分解的辨别分析在实时性能上具有明显的优势,而直接辨别分析则具有良好的识别性能。2.针对传统Gram-Schmidt正交化算法敏感于舍入误差的不足,首先提出了核修正Gram- Schmidt正交化算法,然后以此为基础发展了批处理式和类增量式两种核辨别分析雷达目标距离像识别方法。新方法充分利用了类内散布矩阵最具辨别力的零空间信息,具有良好的识别性能。尤其类增量式的核辨别分析在有新目标数据嵌入训练样本集时可以动态刷新特征矢量,有效地避免了将所有目标数据同时调入内存,造成计算负担过重的问题,具有明显的实时性能优势。3.在模式识别理论中,特征提取的一般原则是希望所提取的目标特征之间统计相关性越小越好,最好是不相关的。依据这一理论,提出了一种基于核不相关辨别分析的雷达目标距离像识别框架,其不相关最优辨别矢量集可以通过联合对角化或广义奇异值分解方式求解。由于去除了模式样本特征之间的冗余信息,新方法体现了良好的识别性能。4.针对经典辨别分析中可能存在的矩阵奇异问题,首先依据Fisher准则导出了距离像总散布矩阵的零空间中不含有有用辨别信息的结论。利用这一结论,可以对各散布矩阵进行预降维,以减小后续运算的计算复杂度。然后从全局角度出发,提出了一种双辨别子空间雷达目标距离像识别方法。该方法充分利用了类内散布矩阵零空间和非零空间中所包含的有用辨别信息,获得了良好的识别性能。5.在经典最近特征线和最近特征平面分类器的基础上,利用核机器学习理论分别将其推广为核非线性分类器,使两者无需经过特征提取即可以直接对原始距离像样本进行分类。同时,针对这些分类器在大数据样本量与高维数时计算量大,且有可能失效的问题,基于局部最近邻准则提出了改进的分类方法,使其在保持较高识别率的同时,显著提高了分类的实时性能。