雷达以其全天时、全天候、远距离、高精度的探测能力,在导弹精确制导等领域中发挥着越来越重要的作用。雷达自动目标识别（Radar Automatic Target Recogni-tion,RATR）通过分析目 标回波,从而确定目 标的类别属性,是雷达智能化的重要技术手段之一。高分辨极化雷达以其对目标多维度细节信息的探测能力而受到广泛关注。一方面,高分辨一维距离像（High Resolution Range Profile,HRRP）反映了目标沿雷达视线方向散射中心的几何结构等细节信息,且具有易获取、数据量小等优势,已成为RATR的重要数据源。另一方面,目标的极化信息表征了其对称性、空间取向等物理属性,可进一步提高RATR的性能。因此,对高分辨极化雷达目标识别技术的研究具有重要的应用价值。本论文围绕雷达地面目标识别中存在的关键问题,分别针对单极化和多极化HRRP目标识别方法展开研究,研究内容包括以下几个方面:1.针对低信噪比下单极化HRRP目标识别问题,提出了一种基于散射中心集统计匹配的目标识别方法,以提高识别性能对噪声的稳健性。首先,通过分析估计的散射中心幅度和位置参数在噪声环境下的统计特性,利用Gaussian混合模型对散射中心参数集进行建模,其中方差参数与噪声功率和系统距离分辨率有关。接着,考虑到散射中心的幅度和位置参数的姿态敏感性不同,提出了加权高斯二次型距离度量准则,以计算由测试样本得到的Gaussian混合模型与模板之间的相似性。所提方法考虑到散射中心参数估计的统计特性,具有对噪声和距离分辨率变化的稳健性。基于实测数据的实验验证了所提方法的有效性和鲁棒性。2.针对小样本情况下单极化HRRP目标识别问题,提出了一种基于动态学习的目标识别方法。在线下训练阶段,利用线下收集到的训练样本得到初始简化核极限学习机（Reduced Kernel Extreme Learning Machine,RKELM）网络参数;在线上分类阶段,迭代测试样本伪标签标记和RKELM网络参数更新这两个步骤。首先,测试样本由当前RKELM和辅助分类器的融合分类结果进行标记,然后将伪标签置信度较高的测试样本作为额外的训练样本,通过在线序列RKELM（Online Sequential RKELM）算法对网络进行更新。此外,考虑到RKELM属于归纳推理算法,提出一种新的转导推理算法:基于约束传播的标签传播算法（Constraint Propagation-based Label Propagation,CPLP）作为辅助分类器,以实现两种推理算法的优势互补,提高伪标签准确性。动态学习策略能够在分类过程中不断积累来自训练和测试样本中蕴含的目标知识,有效提高了小样本情况下目标识别性能。基于实测和仿真数据的实验结果验证了所提算法的有效性。3.针对双圆极化HRRP目标识别问题,提出了一种结合m-χ分解和稀疏保留判别相关分析（Sparsity-Preserving Discriminant Correlation Analysis,SPDCA）的特征提取算法,以得到具有低维度高可分性的目标特征。首先利用m-χ分解得到目标奇次散射分量、偶次散射分量和体散射分量沿雷达视线方向的分布,实现对目标散射特性的精细描述;然后提出SPDCA特征融合算法,得到三个散射分量的融合特征。所得到的融合特征具有以下特性:1)去除了散射分量之间的冗余;2)同时保留了目标数据的全局特性和局部稀疏特性,具有更高的可分性;3)维度较低。利用仿真和实测数据的分类实验验证了所提特征提取算法的有效性和稳健性。4.针对全极化HRRP目标识别问题,提出了结合Cameron分解和融合RKELM的目标识别方法。在特征提取阶段,利用Cameron分解定义了目标在各个标准散射体上的投影分量,该投影分量作用于目标的单个距离单元,实现了目标特性更为精细化的描述。通过分析,选用目标在三面角、二面角和1/4波长器件这三个散射基上的投影分量作为特征。在分类阶段,结合聚类算法和RKELM,提出了基于原型聚类预处理的特征级融合RKELM和决策级融合RKELM,以对投影特征进行融合分类。实验表明所提全极化HRRP目标识别方法具有良好的噪声稳健性和泛化性能。