多维高分辨雷达图像自动目标识别可以利用雷达目标图像数据,实现目标类别、属性等信息的获取,是雷达图像处理与解译的重要组成部分,是雷达技术应用亟需解决的关键技术之一,在军事国防和国民经济领域具有很高的研究价值。雷达成像系统能力的不断增长的一个重要指标是空间分辨率逐渐提高。高分辨雷达图像可以提供更为丰富的目标信息,也给现阶段目标识别带来了一系列新问题。一方面,高分辨雷达尤其是超高分辨雷达作为一个前沿技术,在民用领域应用匮乏;另一方面,现有高分辨雷达图像可用数据有限,使得以数据驱动的雷达目标识别算法发展缓慢。针对上述问题,本文开展了高分辨雷达图像目标识别理论分析、方法研究和仿真实测数据验证等工作,主要贡献如下:1.针对超高分辨雷达应用问题,提出了一种超高分辨雷达手势识别方法。通过对一维距离像序列位置特征的提取,结合经过时频分析获取的多普勒信息,研究了扩展的动态时间规整算法,针对多特征目标分类问题,提出了决策级融合策略,实现了超高分辨雷达手势识别,并采集了大量超高分辨雷达手势实测数据,通过实测数据对算法性能进行了验证和分析。2.针对高分辨雷达图像数据库样本有限问题,提出了一种散射中心多层次重构的雷达目标识别方法。利用属性散射中心模型和能量比模型对高分辨雷达图像进行多层次重构,解决了雷达图像噪声对识别消极影响和少量训练样本导致的目标识别算法泛化能力低下的问题,有效的提升了有限原始雷达图像样本条件下雷达目标的识别性能。3.针对多特征决策融合片面失衡问题,提出了一种Gabor特征决策融合策略的雷达目标识别方法。通过权值来衡量Gabor不同尺度不同方向特征对识别的贡献度,定义损失函数求取权值最优解,建立新的决策融合机制,解决了传统方法中多特征决策融合不全面不均衡的问题,提高了雷达目标的识别率。4.针对基于SAR图像多特征目标识别的特征选择与决策融合问题,提出了三种基于单演信号的特征级融合与决策融合的雷达目标识别方法。这三类方法基于Fisher准则,建立单演信号尺度置信度模型,从全局和局部尺度选择的不同角度对单演信号尺度空间进行特征级融合,在三任务稀疏表示完成后,从全局Fisher分数、局部Fisher分数和基于损失函数的最小二乘最优解三个角度分配权值,构建决策融合策略,有效提升SAR图像目标识别效率和泛化性能。本文围绕多维高分辨雷达图像目标识别展开一系列研究,针对超高分辨雷达的应用和高分辨雷达图像散射特性复杂、数据匮乏等问题进行了一系列的探索,为高分辨条件下雷达图像目标识别提供指引。